#强化学习
做 RL 训练的朋友看下，CoreWeave 这个功能把换检查点的时间砍掉约 15 倍，Nemotron 实测 BrowseComp 涨了 8 个多点。
CADENCE 算法部署守卫时不知道该把智能体放到哪个角落，这篇论文用 CNN 和 GATv2+DQN 学会挑角落，7500 次测试跑得更快、用的智能体更少，形式化保证还一点没丢。
不用 RL 训练，只在开头加个 "Okay" 就能让 Olmo-3-7B 数学成绩翻近一倍，这篇论文把原因挖得很透，做模型训练的值得看看。
一篇讲 agent 记忆管理的论文，用 RL 学出策略在“查现成记忆”和“现整理原始历史”之间动态切换，还能按成本和延迟偏好调，实验跑在五个多模态基准上。
Bengio 在 FT 上发文，把 Hugging Face 和澳洲 Medicare 被黑归到 RL 的奖励机制头上，观点挺扎心。
四足机器人背上没固定的纸箱走坡道台阶，成功率 0.850 比基线 0.675 高不少，做法是多目标 RL 加在线调权，做机器人的可以看看。
arXiv 上这篇挺有意思：想知道 RL 训练后哪些题能解出来，用别的模型训过的 checkpoint 预测，比一堆先验指标都准。
一篇方法论文：搞强化学习或扩散模型的朋友可以看看，SCF 不用重要性采样也能从 critic 给的未归一化密度里采样，训练还更快。
有个叫 flow-1 的新模型专查智能体运行日志里的错误，性能对标 GPT-6-sol 但便宜 23 倍，做 Agent 监控的可以看看。
Hugging Face 把 Claude Code、Codex 这些真实编程工具直接当 RL 训练环境用，不用改一行代码，LFM2.5-2.6B 训练后 OpenCode 成绩从 34% 涨到 58%，全套开源可复现。
训练长程智能体的朋友可以看看这篇，它解决了步级信用分配噪声大的问题，而且不用加 critic，成本很低，在 ALFWorld 等三个环境都有提升。
优化策略梯度的人可以看看：新算法 Defensive Policy Gradient 不再依赖重要性权重方差假设，就能拿到 O(ε⁻³) 采样复杂度，还配了下界证明。
一篇把机器人仿真训练搬到教育推荐上的论文，用模拟器造专家数据解决奖励稀疏问题，还对比了三种模仿学习策略，做 LPR 的可以看看。
这篇用有解析解的金融博弈当考卷，发现 PPO 奖励给对了也学不准，问题出在 critic 排序动作的能力上，对做 RL 金融应用的人很有参考价值。
如果你做强化学习，这篇把平时凭感觉用的 success conditioning 给了收敛证明和速率，折扣 MDP 和单期 MDP 分别给了 O 界，理论党可以细看。
强化学习老难题——自动发现选项，这篇用拉普拉斯表示在 Atari 最难游戏上拿到单流 SOTA，做 RL 的朋友可以细看。
Raschka 又更新了，这讲直接用 PyTorch 手写 GRPO，把 Qwen3-0.6B 的数学成绩从 15% 拉到 47%，想搞懂推理模型怎么训的别错过。
Raschka 又出新教程了，这次手把手带你从零写 GRPO，把 DeepSeek-R1 那套推理训练方法完整实现一遍，还带 MATH-500 评测结果。
