用单一任务结果信号同时驱动技能选择、利用与蒸馏三阶段协同演化

在GRPO失败样本前添加Lorem Ipsum乱文，破解零优势困境以拓宽LLM推理探索。

在 episode 起始采样全局策略,条件化后续所有动作,层级化 GRPO 训练。

用语义验证替代坐标监督，实现无标注的地理空间定位自进化

揭示 GRPO 中两种聚合规则的偏差，提出均衡聚合 BA。

把CoT推理与最终打分解耦的视频奖励模型,解决生成式奖励训练不稳定。

首个开源多模态深度搜索智能体训练配方，含数据管线、七工具环境与致命感知GRPO

用隐藏态投影残差解耦正负样本的语义重叠，保护共享token免受误罚。

首篇系统梳理 LLM 强化学习 rollout 设计的综述，提出 GFCR 四阶段框架。

用Tsallis q-对数统一SFT与RLVR,提出GARL/PAFT在固定q上训练推理模型。

构建医疗 RL 训练场并提出 TT-OPD 自蒸馏框架解决多轮崩塌问题

用ELBO代理扩散模型似然，把GRPO嫁接到文生图后训练上，比MDP路线快2-3倍且SOTA。

四阶段流水线（SFT+GRPO+提示增强+自回归蒸馏）弥合视频扩散模型预训练与部署差距。

在短上下文GRPO中按推理步置信度屏蔽优势，稳定高效压缩推理链。

用强化学习让 7B 小模型端到端生成可部署的多页网站，匹敌 671B 模型。

用 GRPO 强化学习联合优化显式弃答与拒答后澄清质量，3B 模型对不可答题表现匹敌 671B DeepSeek-R1。

用两阶段RL课程让多模态大模型自主掌握视觉工具调用以解决复杂视觉推理

用VLM奖励+Flow-GRPO后训练，让图像编辑更贴合人类审美。

首次将GRPO引入均匀离散扩散，通过将最终干净样本作为动作并用前向过程重构轨迹，解决训练崩溃。

1978个MCP环境+19822工具,GRPO自演化闭环训练,23个基准全面领先开源基线。