#强化学习

新提出的FERPO算法解决了传统强化学习中critic值预测不准确的问题，在连续控制任务中表现优异。

一篇强化学习探索策略的论文，分析了内在奖励的局限性并提出了改进方案。

Faynt是首个能控制全部26个任天堂格斗游戏角色的AI模型，胜率超98%，还开源了代码和锦标赛平台。

MOBA-VL用游戏遥测数据训练，能准确捕捉击杀和目标等关键事件，比现有模型更精准解说电竞比赛。

SCAPO算法通过半事实稳定性改进了令牌级信用分配，在数学和分布外基准上表现优异。

EviRover通过交互解决单次观察不足的感知问题，在多个基准测试上大幅提升性能，已开源所有资源。

PhantomEnvironments用规则生成虚构环境训练LLM智能体，零成本且效果惊人，还能迁移到真实世界任务。

MemLife解决了长期视频记忆的检索难题，无需训练或视频访问即可提升性能，还提供了MemOpt优化框架。

TPAE方法通过细粒度监督提升多模态模型推理能力，在七个基准测试中表现优异。

MOBA-VL用游戏遥测数据训练，能准确捕捉击杀和目标事件，比现有解说模型更精准。

这篇论文提出让VLM智能体不仅能预测未来，还能回溯过去判断因果一致性，解决了物理行为不连贯的问题。

Jaxolotl基准套件让多任务RL研究有了统一标准，训练速度提升220倍，还能对比不同算法的优缺点。

论文提出解耦冷却采样器的方法，解决了RL训练中采样器与学习器不同步导致的性能退化问题。

清华团队提出SCA方法，解决GUI代理强化学习中空间信用分配问题，在专业领域和动作预测基准上表现优异。

CoEM解决了长上下文推理中信息过早压缩的问题，通过智能管理记忆空间，显著提升了模型处理长文档的能力。

香港科技大学团队推出VLALight，用多视角视频直接控制交通信号，比传统方法更高效。

FastRL框架能提升GRPO训练速度2倍多，准确率提升1.64%，代码已开源。

清华团队推出 AeroManip-VLA，用强化学习自动生成空中机器人操作数据，解决了物理平台演示收集难、成本高的问题。

HDL方法让强化学习更高效，用更少计算量获得更好结果，特别适合智能体训练。

这篇论文提出了强化学习中ADMM的新理论框架，解决了马尔可夫采样下的收敛问题，为强化学习算法提供了新的理论支持。

这篇论文揭示了高UTD比率下价值函数崩溃的可恢复性，提出了基于早期增长的预警方法，能节省约10%的计算资源。

ReBF解决了强化学习中的速度自举不可能三角问题，在多个基准测试中大幅提升性能。

OpenAI 把安全审查写成了流程：训练前沿模型前要交安全论证，高管每人都有否决权，警报超时训练自动暂停，还有论文可查。

训练智能体 RL 的人可以看看：PEARL 动态调 prefill-decode 配置还能借闲置 GPU，吞吐比 RLBoost+ 最高多 36.3%。

把 CLIP 接进 PPO-Lagrangian 做安全强化学习，MetaDrive Hard 上事故率降了 12 个点，但作者自己发现信号并不能预判碰撞，分析很实在。