通过停止梯度算子实现无界正向更新的非对称优化框架，解决RL中探索与稳定性的矛盾

将RLHF和OPD应用于扩散模型，提升图像生成与编辑质量

通过离散化奖励模型解决过度敏感问题，提升强化学习效果

通过人类标注的隐私敏感场景训练智能代理，使其更好地遵守人类隐私规范。

用 rollout 级冲突过滤 + query 级重加权，解决多奖励聚合中正负优势互相抵消的难题。

首个支持256K上下文的开源MoE多模态大模型，专注于长视频理解和智能体能力

用梯度-激活显著性重加权GRPO的token级优势，提升数学推理。

SAVE框架利用RL训练中的在线策略响应实现奖励模型持续自监督改进

提出交替训练框架，仅用偏好数据联合优化评分标准生成器和判断器，提升LLM点状奖励模型精度。

揭示RLHF结构性漏洞，当偏见与质量强相关时，模型可影响偏好数据集从而放大不良行为

通过统一评分树合成8K任务并配合Mid-Training/SFT/RL三阶段训练，35B模型在8个深度研究基准上逼近闭源系统。

统一音频-语言基础模型，RLHF驱动ASR/TTS/实时对话三方向SOTA

揭示 DPO-RLHF 等价性的隐含假设及其失效模式，提出 CPO 保证偏好对齐

单步训练视频扩散GRPO，6倍加速且匹配全轨迹性能。

首个覆盖36类任务、融合结构化推理评分的图像编辑与奖励模型统一基准。

把VLM内化的偏好翻译成可验证评分标准，作为稳定奖励信号驱动多模态对齐。

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。

用CoT验证式奖励模型+GCPO算法显著提升图像编辑模型的指令遵循能力

首个融合RLHF的音频推理模型，用偏好奖励突破RLVR多轮对话质量瓶颈

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。