#强化学习

强化学习在换背景、变光照时就崩的问题，这篇用潜空间一致性给出解法，Robosuite 上比第二名的基线高了 43.6%。

把 OPD 训练崩溃讲透了，还给了屏蔽坏响应和 SFT 初始化两个可上手的缓解办法，做蒸馏的人快看。

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。

做视频生成方向的可以看看，LoGo 用局部加全局两种奖励解决相机移动时物体乱飘的问题，还附带了新基准 TrajectoryBench。

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。

机器人在线 RL 训练时最麻烦的就是人工干预太多，这篇把它降到 0.77%，还开源了代码，做真机 RL 的可以看看。

用中子仪器设计测智能体会不会物理，7个模型最多做对7/16题，RL把Qwen3-8B从11%练到77%，比32B还强。

这篇提出 DepGPO，专门解决终端智能体里 RL 训练信号乱分配的问题，思路是建命令依赖图反推信用，做智能体训练的可以看看。

伯克利这个机器人项目挺有意思：只用一个立体相机，靠模拟人眼的主动注视，抓握遮挡场景成功率 48%，比腕部相机方案翻倍。

一条推特观点：OpenAI 靠 RL 冲数学超智能，而不是堆编程 Agent，思路跟别人不太一样，可以看看.

Teortaxes@teortaxesTex11 个信源在谈原文

探讨模型蒸馏如何影响研究路径和数据管道工程，以及离策略样本对强化学习的潜在影响。

Teortaxes@teortaxesTex原文

这篇论文提出了一种新采样方法，让SFT微调效果出奇地好，在多个任务上超过了传统RL方法。

PPO-HRAP算法通过混合策略优化，在控制风险的同时提升交易回报，特别适合波动市场环境。

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。