在RLVR中引入时间调度维度，按时序从后向前渐进优化轨迹百分位token

浏览器宿主、以结构化 JSON 状态为核心的移动端仿真平台与基准，单机即可承载数百并行实例用于可验证评估与在线 RL 训练。

NoisyAgent：在训练中显式注入用户与工具噪声以提升LLM智能体鲁棒性

通过双路径 rollout 动态探测知识边界，引导 agentic RL 训练减少冗余工具调用。

为多奖励GRPO引入方差自适应权重，兼顾训练稳定与目标协同

提出基于验证器失败诊断的智能体-环境协同共演化框架 SEAL，用同一诊断信号同时驱动训练接口进化与策略梯度更新。

把终端输出 token 当作监督信号，叠加到 GRPO 损失上，让失败轨迹也产生梯度。

提出 CMRP 新任务和 UniCharacter 框架，用极少样本让统一多模态模型同时学会角色的语言风格与视觉外观。

用专用图像编辑器替代工具调用与统一多模态，让MLLM真正“用图像思考”。

首个用强化学习做相机控制视频重拍的框架，用度量3D评估器约束相机轨迹精度。

把视觉感知、文本推理、视觉推理拆成三个独立阶段做后训练，VLM 的视觉推理准确率涨、推理链还变短了。

首个面向真实 Excel 的端到端强化学习框架，让开源 4B 模型表格任务通过率近乎翻倍。

训练4B RL编排器动态组合专家模型与层次技能，平均70.1%超越GPT-5

提出工具编排视觉经验蒸馏，让图像生成智能体自我进化。

提出可扩展、可验证的规划数据生成框架，用于评测与训练LLM的规划能力。

用工具增强的智能体框架与门控强化学习实现零样本工业异常检测新 SOTA

用 9 类任务、9 种奖励的 23K RLVR 数据集和 TMN-Reweight 多任务优化算法，让 30B 模型长上下文能力逼近 R1-0528。

AntiSD通过反转自蒸馏梯度方向解决推理RL的捷径偏置问题

KVPO:面向流式自回归视频生成,在ODE原生范式下做KV语义探索的偏好对齐

用在线GRPO+CLIP几何重定向实现零配对数据、零奖励模型的扩散模型安全对齐。