#强化学习

复旦等团队用REGRIND，只看一段演示就让机械手学会用剪刀和螺丝刀，零样本上手，动作和人一样自然。

这篇论文提出了一种更聪明的掩码方法，解决了PPO和DPPO在方向判断上的不一致，让LLM强化学习训练更稳定高效。

AI大佬组团开怼现有深度学习：Sutton和Marcus联手发论文说光调参没用，得从头改架构，还搞了个新公司Oak Lab。想了解AI前沿争议的可以看看。

Gary Marcus@GaryMarcus原文

这篇论文给预训练的动作分块变换器加了强化学习后训练，在工业精密操作任务上峰值力降了46倍，适合做实时控制的人看。

Agon让两个模型互相打分比赛，推理能力直接翻倍，比GRPO强一倍，而且完全不需要人工标注过程标签。

这篇论文用可控实验证明了RL后训练能从头组合出高级推理策略，不是只增强已有技能，对理解强化学习训练机制很有启发。

想高效训练智能体模型？SAO用单轨迹采样打补丁，稳定训练1000步，在编码和推理基准上全面超越GRPO，干货论文。

想研究格斗游戏AI？这个新基准FootsiesGym基于极简游戏Footsies，自带高效模拟器，适合强化学习训练和对比。

这篇论文用差分进化+多智能体强化学习搞定了奶牛场电池管理，比规则模型多赚18%，还合规电网。搞能源优化的值得一看。

这篇给了世界模型的具体定义和路线图，适合想了解它在强化学习、视频生成、机器人等领域不同玩法的人。

这篇论文用博弈论加强化学习来检测6G通信中的攻击者，针对城市环境里的波束操控，思路挺新颖的。

一篇论文提出用强化学习+上下文压缩训练长程智能体，在SWE-bench等基准上显著提升开源模型表现，适合关注Agent训练和RL方法的人。

这篇论文给出了一个实用技巧：用蒸馏扩展支持域再强化学习，在数学和代理任务上都涨点明显，而且不需要改动模型结构。

Thom Wolf做了个好玩项目：把一群AI代理协作写维基的过程变成像素风小镇，看它们进咖啡馆、上法院，超有趣。想了解RL训练LLM的协作方式？点进去看。

Thomas Wolf@Thom_Wolf原文

想看看AI智能体怎么自己迭代策略吗？EvoPolicyGym这个新基准让GPT-5.5跑了16个强化学习环境，全部拿到前两名。

机器人强化学习的新思路，WorldSample 用世界模型生成合成数据，成功率提28%还省了59%训练时间，值得一看。

这篇论文教你用强化学习把难题拆成小模块再拼起来，Qwen和Code World Model上测试比传统RL省50倍算力，还能解原本解不出的题。

这篇把强化学习的信任域优化用在神经量子态上，新算法PWO比Adam稳，还能用1.5B的RWKV-7跑，规模大了三个数量级。

想搞异步RLHF训练的可以看这篇，把陈旧rollout对学习率的影响定量化了，推导了缩放条件，比经验调参更靠谱。

这篇论文提出的ECHO框架，能让智能体在长回合任务中既保留细粒度证据，又能用强化学习追踪信用分配，效果比GRPO和SUPO都强。

这篇论文提出了GR2，在工业重排序上拿下了18.7%的召回提升，还解决了LLM作弊奖励的问题，做推荐系统的可以看看。