把参考答案拆成原子量规条目，为VLM后训练提供细粒度、前缀定位的RL奖励

将标注作为oracle加入RL组，解耦优势估计防反转，免CoT高效训练统一视频感知。

阿里开源的电商直播全模态理解模型，用音视频时间对齐与忠实强化微调实现多项直播任务开源最佳。

把KL正则从响应侧移到查询侧，稳住训练环境漂移又不牺牲探索

首个用人类反馈训练的音视频联合生成思维链奖励模型，取代易被hack的专家指标

把技能选择从结果奖励噪声中拆出，用双通道信用分配单独训练

首个3D世界构建智能体的评测+多模态RL训练框架，开源30B模型Pass@1超越GPT-5.5

按目标剩余提升空间动态重加权组相对优势，把RL优化力度转向未饱和目标

揭示LLM超出能力时产生似是而非的无效推理，CaRL训练模型学会及时认输

GRPO无参考奖励+SFT-RL插值，46语言翻译比肩GPT-5

用反事实证据干预把“答案是否依赖视觉证据”变成GRPO奖励，让VLM不再靠语言先验答题。

把每轮交互意图变成显式控制变量，意图校准GRPO训练出意图准确率86.6%的用户模拟器

揭示SFT多阶段训练产生任务冲突而RL可稳定共存，并提出Parallel-RL解耦框架。

多模态环境不能盲目堆量，应从能力多样性与难度结构两维度设计训练分布

用执行状态匹配校验特权参考轨迹，只在匹配轮次做自蒸馏，多轮智能体任务成功率显著提升。

用统一强化学习框架打通情感感知、理解与交互三大层次

用递归贝叶斯信念更新为长程智能体RL做回合级信用分配

用潜在视觉状态重构与隐式过程奖励强化学习，让多模态大模型掌握时序视觉推理。

让统一多模态模型自主推理、调用工具并原生生成图像。

用答案反推出的线索给轨迹每一步打分，实现细粒度的SFT与RL训练。