RLVR 弱监督泛化由预训练先验与推理忠实性决定，Thinking SFT 可恢复

首次系统证明在情感支持对话中,一个支持者回复可以同时包含多种支持策略,并提出两种生成方法结合认知推理与强化学习。

用PPL空间解耦破解RLVR训练中探索-利用的两难困境

提出 AVR 框架，让视觉推理模型按任务复杂度动态选择直接回答、感知或完整推理三种格式，token 消耗降低 50–90%。

遗忘算法后测 LLM 能否独立重发明 Dijkstra 等基础算法

用扩散生成器采样轨迹、RL判别器在低维打分，再配BEV特征级仿真，把闭环规划的安全性提升56%。

分层动作加密集奖励GRPO，把LVLM改造成统一视觉RAG智能体。

用几何可验证的3D场景,让单VLM自问自答持续提升空间推理。

提出 PreRL 与 DSRL：在预训练空间以 NSR 修剪错误推理路径，再切换到标准 RL 精调。

把组内候选重加权变成闭式目标分布，用交叉熵直接拟合，梯度自动消失。

多响应判别式奖励模型:一次前向同时评N个候选,实现N×加速与SOTA精度。

首个面向近距HRI的VLM，任务感知地定位3D人体关键点

用高斯分布匹配重写GRPO优势函数，破解多任务奖励拓扑不均衡。

提出HDPO强化学习框架，解耦准确率与工具效率奖励，教会多模态智能体Metis“何时不用工具”。

把一致性与视觉接地作为硬约束的GRPO变体，让多模态推理既准又真。

Sol-RL 用 FP4 探索候选池，BF16 再生成关键样本，加速扩散 RL 4.64×。

HiLL：联合训练提示器与推理器，让 GRPO 在难题上找回学习信号。

两阶段RLVR框架联合训练推理和自我改进，无需外部监督信号

首次系统分析 RLVR 噪声标签机制，提出在线标签精炼方法 OLR。

多智能体RL系统，首次在3场Codeforces现场赛中击败所有人类选手夺冠