#强化学习

这篇论文提出神经符号世界模型，能让AI系统零样本适应新任务，比传统方法泛化能力更强。

Anthropic主动踩刹车，暂停最大规模强化学习训练来加固安全，想了解前沿AI公司怎么平衡速度和风险可以看看。

官方账号Greg Brockman@gdb11 个信源在谈原文

如果你在多个大模型间做路由，这个框架能直接优化成本和效果，不用先预测质量，实测在10个基准上超过现有方法，还能兼容新模型。

人形机器人全身操作一直难搞，HAF把通用VLA拆成三阶段动作流，再用DCT降维做在线强化学习，7个真实任务都跑赢了基线。

PIHF把强化学习的迭代改进搬到了上下文学习里，用语言模型当执行器，专家审阅改进，罕见病诊断上Recall@1提升明显，值得一看。

这论文提了两个新招PVF和TETHER，给LLM强化学习用的，比标准价值函数强，和GRPO差不多甚至更好，搞RL的可以看看。

这个科学智能体模型能处理多模态数据，397B 版在时间序列预测上很强，还有个 4B 小模型能直接把生物任务分数拉高，适合搞科研的人看看。

空间推理一直是视觉语言模型的硬伤，SCOUT 用新的训练方法把 3D 理解做得更准，7B 规模直接超过 GPT-4o，还能迁移到视频上。

想提升LLM强化学习效果？3PO用参数采样替代温度调节，在OLMo和Qwen上比GRPO更稳更好，成本还一样。

想测强化学习在硬核动作游戏里的极限？DSLE把黑暗之魂Boss战变成基准，PPO和DQN连教程Boss都打不过，看看专家系统怎么赢的。

卫星避碰现在靠人工和规则，越来越难。这篇用PPO强化学习，在模拟里成功率97.5%，比传统方法高出一大截，代码还开源了。

想找能处理噪声数据、还能告诉你不确定性有多大的回归方法？ERRLESS用强化学习从后验里采样表达式，Feynman基准上表现不错，表达式还短。

想让导航策略适应各种环境参数？这篇论文的自动课程生成方法在Car Racing和Bipedal Walker上打败了SPRL等基线，值得一看。

开源模型Fisher-R1专治假设检验，比GPT-5.4和DeepSeek-V4-Pro都强，最难任务能提26%，搞数据分析的可以看看。

医疗AI训练新方法ResidencyRL，模拟临床对话，诊断准确率涨7%，漏诊率降31%，专家更看好。

这篇论文把WPG在LQ问题上化简成ODE，证明了指数收敛，做控制理论的可以看看。

这个新框架TRIAL能让智能体强化学习更高效，在多个任务上超过GRPO，成功率提升近19个百分点，搞RL的可以看看。

Aftab架构在Atari-57上拿到IQM 6.479，比标准PQN基线强不少，代码和训练配置都开源了，搞RL的可以看看。

EnvACE 让模型自己脑补环境的反馈，省去搭建外部模拟器，四个基准上还赢了。想低成本练智能体的可以看看。

OG-SPR把两种预测目标结合起来，28个控制任务上超过现有方法，难任务提升明显。搞视觉RL的可以看看。

这篇论文提出 RRC，能把生成式奖励模型的排序结果转成强化学习能用的信号，在对话和推理任务上比现有方法更稳定地提升训练效果。

这篇论文用强化学习让拓扑图动态演化，既能压缩复杂度又能保留关键结构，比静态分析多了一条时间维度。

iARCS 用强化学习让 3D 场景生成器听懂自然语言要求，走路、够东西这些约束都能满足，还能提升基础生成器。

这份论文把探索奖励和记忆架构放一起测，发现奖励结构不同，效果天差地别，做RL的值得看看。

这篇论文提出RAIL，把干预选择当成在线学习问题，让模型在有限预算下学到更有效的rollout，适合做RL后训练的人看。

ORACLE开源了：一个模型按偏好向量调模拟电路，不用重训；2000个用例上比现有方法快20-104倍。

这篇论文用自验证循环替代人工标注，把世界模型的长期漂移降了44%，复合动作准确率翻近4倍，做视频生成或具身智能的可以看看。

这篇论文提出了一种不用人工任务标注的训练方法，让LLM智能体自己从环境里找目标学，在ALFWorld和ScienceWorld上有效，还能给后续强化学习打底子。

TurnSight 把工具推理的强化学习拆到回合级，用事后视角筛信号，三个基准上都有效，代码开源了。

SAFT用结构先验替代人工标注，给VLM奖励模型降噪，训练收敛更快，EPIC距离也更好了。

DiagLoop只用合成数据就把8B诊断模型练到超过专有模型，工业系统+11.6分，疾病分类+5.5分，可以看看它的反事实数据飞轮。