用在线动态奖励权重与每题目标长度，兼顾正确性与简洁性

流式记忆+问题分解重读，免检索地解决长上下文证据丢失

推导OPD外推系数闭式安全阈值λ★(p,b,c),揭示结构化输出任务格式崩塌机制

EAPO 教会 LLM 智能体在不确定时才探索，4B 模型在 GUI 任务上击败 GPT-4 级对手。

THINC框架让代码本身成为推理主体，4B模型击败235B基线

提出「稀疏奖励给大教师、稠密信号传小部署模型」的分配原则，四阶段流程在 MATH 提升 3.4 点

RL通过概率重分配让LLM事实回忆准确率平均提升27%。

用 Instructor–Follower 闭环共进化让指令难度随模型能力自动升级,无需外部教师即可提升开源 LLM 的多约束指令遵循能力

反转自蒸馏信号，放大正确 rollout 中模型自驱推理的 token

用 Hint-δ 内禀奖励让 LLM 在无验证器的开放任务上自博弈进化

提出Entrocraft拒绝采样方法精确控制LLM RL训练熵曲线

SLIM：把外部技能集当成可训练变量，动态增删扩展

提出双前向传播RL框架，使MLLM抗视觉退化且不牺牲干净精度。

将多模态奖励评估重构为计划-执行两阶段过程，用多角色强化学习联合优化规划与验证

首个面向已构建RAG知识库的强化学习后精炼框架

首个将OPD引入Flow Matching T2I的多任务对齐框架

用单次并行「定位+检索」原子动作+双粒度RL，让多实体搜索又快又准。

用语义化评分标准替代教师 logits 的黑箱在线蒸馏框架。

用响应级熵代理实现无监督信用分配与自适应探索-利用切换

提出平衡多维奖励的RL框架，统一效用、正确性与流畅性