#强化学习

Decagon 做客服智能体的工程师要讲 post-training、RL 和低延迟推理，还要聊怎么把系统扩到 1T 参数，做推理优化的可以看看。

官方账号LMSYS Org (SGLang)@lmsysorg原文

Boston Dynamics 分出来的团队在做表情丰富的仿生机器人，用强化学习训练动作，路线挺有意思，可以看看。

Ate-a-Pi@svpino原文

把鲁棒强化学习用在前列腺癌自适应治疗上，患者当隐藏上下文建模，模拟器里比现有方法更稳还不掉性能，做医疗AI的可以看看。

一篇讲怎么给搜索智能体分步打分的新方法，把轨迹按掌握的知识分组比较，8B 模型跑赢了多数 32B 系统，做 agent 训练的可以看看。

做 RL 后训练的朋友可以看看，讲清楚了 GRPO 那套 group-mean baseline 什么时候够用、什么时候会引入偏差。

论文提出给多智能体系统配一个监工，用 GRPO 训练出能自动纠偏的 steering agent，做 agent 系统的可以看看思路。

Meta 这篇论文把文档整理变成了 RL 训练任务，builder agent 提前建好文件系统，BrowseComp-Plus 上比检索基线高 33 个点，做长文档问答的可以看看。

做安全强化学习或 POMDP 的朋友看看这篇：用有限历史窗口近似 CPOMDP，首次拿到奖励和约束违规同时有界的非渐近保证，理论味道很浓。

一篇蒸馏论文：用教师模型 RL 中途检查点的方向一致性做门控，Qwen3 系列学生六个设置全拿下最高分，成本只多一次打分。

HUST 团队把 RL 后训练扩散模型的方法全捋了一遍，还做了跨基准实测，做生成方向研究的可以直接收藏这份地图。

训练 LLM 推理的同学看看：单条 rollout 就能做 token 级信用分配，数学上还比 GRPO 快 1.2 到 2.3 倍，代码比较可以少八倍采样。

Google DeepMind 这篇论文把监督学习和强化学习的好处合在一起，26 个稀疏奖励任务上都跑赢了以前的 RL 方法，搞 RL 的可以看看。

浙大团队烧了 1.2 万 GPU 小时把 10 种智能体训练方法拉到同一环境里跑了一遍，结论是 GRPO 依然难被打败，做 Agent RL 的值得看看.

一篇教游戏智能体超越演示数据的新方法，用16个合成环境做强化学习，MineDojo-300成功率从12.63%拉到38.33%，做agent训练的可以看看。

训练多智能体最烦手动调多样性参数，这篇把经典控制论的 ESC 搬进 MARL，只用回报信号就能自动找到合适的多样性水平，做协作 RL 的可以看看。

做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。

作者亲手用消融证明自己的核心机制没用，真正有效的是粗网格起步和 epsilon-greedy，这类论文不多见。

有老哥按 DeepSeek 的发布习惯掐时间，猜新模型周四傍晚来，楼主自己都说悬，蹲不蹲看你。

Teortaxes@teortaxesTex原文

智能体跑得挺顺却追错了目标？这篇论文把这种失败拆成三种，还给出哪种干预能救回多少到达率的数据。

智能体 RL 训练按需注入文本技能，省掉逐个试错的成本，ALFWorld 等四个基准全超基线，代码开源。

教智能体改图前先回头挑更优候选图，GenEval2 比最强基线高 12.7 分，做图像生成的可以看看。

一篇把 LLM 用于自适应码率、拥塞控制这类网络任务的研究，NetGRPO 比 NetLLM 高 23.6% QoE，代码和模型权重都开源了。

机器人控制方向的新论文，专门治AMR万向轮低速打滑错位的老毛病，NMPC加强化学习双层配合，仿真和实机都验证过了。

arXiv 上这篇论文讲怎么在状态无界的多人随机博弈里学 Nash 均衡，用单条轨迹加 GP 建模，理论证明和数值实验都有，做博弈论强化学习的可以看看。

这篇改进 RLVR 探索的论文思路挺巧：不加大采样量，而是给提示加个扰动嵌入位置，同预算下比 GRPO 提升明显。

Hugging Face 老大喊话研究者把 RL 环境开源，别人几天就把论文变训练环境，做 RL 的可以看看

官方账号Clement Delangue@ClementDelangue原文