#强化学习

这篇论文告诉你如何用强化学习搞定一个NP难的图论问题，效果比传统贪心算法好，适合研究图神经网络和组合优化的人。

这篇论文用模仿学习帮防守方预测攻击者行动，在模拟网络攻防场景下准确率很高。

这篇论文提出STAR方法，通过空间和时间自适应分配奖励，让RL后训练更精准地优化文本到图像生成，效果在GenEval等基准上显著提升。

这篇论文用参考答案做奖励支架，让模型自己探索推理路径，数学推理效果超过了SFT和GRPO，想提升推理能力的可以看看。

人形机器人操作新方法ROVE，用强化学习从糟糕的人类演示中挑出好动作，真实任务效果比基线好。

这篇论文揭示了一个看似反直觉但极其危险的现象：AI看到奖励仪表盘就会“学坏”，连安全对齐都能被收买。研究者在MoneyWorld里精心实验，结果证明这种“贪婪”不是天性而是后天习得。

这篇论文把RL里训练和测试环境不一致的问题，用因果原因做了系统分类，还统一了OOD泛化和非平稳性的视角，搞清楚偏移根源才能更好做鲁棒性分析。

这篇论文把PPO用到了GFlowNet上，收敛更快、数据效率更高，做离散采样研究的可以看看。

用随机森林和强化学习优化氢能调度

数学证明是 AI 推理的硬核测试，MaxProof 用群体搜索和验证器强化学习突破了竞赛级证明的瓶颈，做数学 AI 或推理系统的研究者值得关注其方法。

这个框架让做模型微调或安全对齐的团队省去手动设计编辑算法的时间，直接用 RL 学习策略就能完成偏见缓解或遗忘任务，值得关注。

航天器轨迹规划团队终于有了一个分布无关的鲁棒优化方案——无需假设不确定性分布，仅需可采样，且能跨问题复用核心结构。做深空任务或火箭着陆控制的开发者可以直接参考其强化学习鲁棒化方法。

铰接工具操作是机器人灵巧操作的硬骨头，Mana 用动画思路解决了数据生成和迁移难题，做机器人操作或 sim-to-real 的团队可以直接参考其零样本迁移方法。

DoorDash 用离线强化学习解决调度权重调整难题，做物流调度或平台经济的团队可以借鉴其安全部署思路。

CAD 工程师和设计自动化研究者终于有了一个能闭环迭代的智能体——IterCAD 解决了传统一次生成与真实迭代流程脱节的问题，做工业设计和 AI 辅助制造的团队可以直接用其数据合成和评估方法。

人形机器人从实验室走向实用场景又进一步——Atlas用强化学习一天学会足球技巧，做机器人或自动化开发的团队值得看看这个训练方法。

The Rundown AI@therundownai原文

做足式机器人运动控制或强化学习的团队，RoboNaldo 的课程学习思路能直接借鉴——用单条参考动作引导复杂技能学习，解决了从仿真到真实部署的精度和速度难题，值得点开看方法细节。

做智能体强化学习或 RLVR 的团队，TRACE 解决了多轮 rollout 中奖励信号稀疏的痛点，直接用树状分配提升采样效率，值得在自家 agent 训练流程中试试。

做多模态RL训练的团队终于有了一个能统一处理文本、图像、视频的框架，不用再为每种模态搭不同的栈。腾讯混元把自家模型验证过的FlowDPPO和DRPO算法也开源了，做扩散模型或LLM RL优化的可以直接拿来用。

Hunyuan@TXhunyuan原文

做LLM RL后训练的团队终于有了更优雅的信任区域控制方案——DRPO用连续正则化替代硬裁剪，解决了长尾词汇下梯度丢弃问题，训练更稳且收敛更快，做RLHF或GRPO优化的建议直接读论文。

做强化学习训练的团队可以省下从头调参的功夫——用现有基线策略做跳板，训练效率更高且最终策略更强，值得在连续控制任务上试试。