强化学习

分享即关怀：利用集体 RL 经验共享进行高效 LM 后训练

DeepSeek-R1：通过强化学习激励LLM的推理能力

GrandCode：通过智能体强化学习在竞赛编程中达到特级大师水平

FIPO：通过 Future-KL 影响的策略优化激发深度推理

组序列策略优化

重新思考推理 SFT 中的泛化：关于优化、数据和模型能力的条件分析

Green-VLA：面向通用机器人的分阶段视觉-语言-动作模型

反思、重试、奖励：基于强化学习的LLM自我改进

从代码基础模型到代理和应用：代码智能实用指南

文心一言 (ERNIE) 5.0 技术报告

通过早期经验进行代理学习

Kandinsky 5.0：一个用于图像和视频生成的基础模型系列

VESPO：用于稳定离线策略 LLM 训练的变分序列级软策略优化

面向 LLM 的代理强化学习景观：一篇调查报告

强化学习中利用组级自然语言反馈引导探索

GDPO：用于多奖励强化学习优化的组奖励解耦归一化策略优化

大语言模型的代理推理 (Agentic Reasoning)

STEP3-VL-10B 技术报告

GLM-4.5：智能体、推理和编码（ARC）基础模型

Step 3.5 Flash：拥有 11B 激活参数的开放前沿级智能模型

大型推理模型的强化学习调研

关于SFT泛化性的研究：一个带有奖励修正的强化学习视角

QeRL：超越效率——面向大型语言模型的量化增强强化学习

将RL扩展到长视频

通用智能体记忆：深度研究

基于视觉语言推理的城市社会语义分割

自主强化策略优化

Vision-DeepResearch：激励多模态大语言模型中的深度研究能力

HSImul3R：物理在环重建仿真就绪的人机交互

从盲点到增益：大型多模态模型的诊断驱动迭代训练

开放式生成的逆向工程推理

Geometry-Guided Reinforcement Learning for Multi-view Consistent 3D Scene Editing 几何引导的强化学习，用于多视角一致的 3D 场景编辑

奖励稀缺：旨在提升大语言模型创造性问题解决能力的唯一性感知强化学习

DAPO：大规模开源LLM强化学习系统

OpenClaw-RL：只需交谈即可训练任何智能体

ProRL：长期强化学习拓展大型语言模型的推理边界

WebWatcher：突破视觉语言深度研究代理新前沿

Vision-Zero：通过策略性游戏化自对弈实现可扩展的VLM自我改进

置信度即所需一切：语言模型的少样本强化学习微调

GUI-G^2：用于GUI对齐的高斯奖励建模

用于推理语言模型的强化学习熵机制

快手 Keye-VL 技术报告

EPO：熵正则化策略优化用于 LLM 智能体强化学习

Intern-S1-Pro：万亿级科学多模态基础模型

UI-TARS-2 技术报告：通过多轮强化学习推进 GUI 代理

ReasonRank：通过强大的推理能力赋能段落排序

灵枢：面向统一多模态医学理解与推理的通用基础模型

Seed-Prover：用于自动定理证明的深度和广度推理

每一次关注都至关重要：一种用于长上下文推理的高效混合架构

VIDEOP2R: 从感知到推理的视频理解

ToolOrchestra: 通过高效的模型和工具编排提升智能

Astrolabe：引导蒸馏自回归视频模型的前向过程强化学习

FlowRL: 匹配LLM推理的奖励分布

基于人类演示的计算机使用智能体

Parallel-R1：通过强化学习实现并行思考

使用一个训练样本对大型语言模型进行推理的强化学习

SciReasoner: 奠定跨学科的科学推理基础

MMaDA: 多模态大型扩散语言模型

Table-R1：面向表格推理的推理时缩放

SSRL: 自搜索强化学习

DeepAgent: 具有可扩展工具集的通用推理代理

机器人学习：教程

OpenMMReasoner：以开放通用的方案推动多模态推理前沿

GeoVista：用于地理定位的网络增强型代理视觉推理

WildWorld：面向生成式 ARPG、具有动作和显式状态的大规模动态世界建模数据集

Pref-GRPO：基于成对偏好奖励的GRPO，用于稳定的文本到图像强化学习

在流式代理系统中优化以实现有效的规划和工具使用

使用大型语言模型稳定强化学习：公式与实践

学习在离策略指导下进行推理

QwenLong-L1：迈向基于强化学习的长上下文大型推理模型

SWE-rebench：软件工程智能体任务收集与去污评估的自动化管线

推理还是记忆化？数据污染导致的强化学习结果不可靠

CUDA Agent：用于高性能 CUDA 算子生成的大规模智能体强化学习

用于 LLM 代理强化学习的树搜索

面向推理的协作式多智能体测试时强化学习

SWE-rebench V2：大规模跨语言软件工程任务集合

通过推理分解实现自奖励的视觉语言模型

LLaVA-Critic-R1：你的批评模型秘密是一个强大的策略模型

SimpleTIR：用于多轮工具集成推理的端到端强化学习

沙盒中的大语言模型（LLM-in-Sandbox）激发通用智能体能力

MiMo：释放语言模型的推理潜力——从预训练到后训练

BAPO：通过自适应剪裁的平衡策略优化，稳定 LLM 的离策略强化学习

TreePO：通过启发式树形建模弥合策略优化、有效性和推理效率之间的差距

数学推理能否提升通用LLM能力？理解LLM推理的可迁移性

PaCoRe：通过并行协调推理学习扩展测试时计算

Innovator-VL：用于科学发现的多模态大语言模型

DeepGen 1.0：一种推进图像生成与编辑的轻量级统一多模态模型

WebExplorer：用于训练长时序网页代理的探索与演进

通过经验合成扩展智能体学习

SimpleVLA-RL: 通过强化学习扩展 VLA 训练

VisionThink：通过强化学习实现的智能高效视觉语言模型

DeepSeekMath-V2：迈向自验证的数学推理

迈向大型语言模型训练后统一视角

REASONING GYM：推理环境，用于具备可验证奖励的强化学习

IterResearch：通过马尔可夫状态重构重新思考长时程智能体

灵活性陷阱：为什么任意顺序会限制扩散语言模型的推理潜力

F-GRPO：不要让你的策略只学习显而易见的内容而遗忘罕见内容

Agent Lightning：使用强化学习训练任意AI智能体

经验强化学习

殊途同归：激励视觉语言模型中的发散性思维

SkillRL：通过递归技能增强强化学习进化智能体

LLaDA2.1：通过 Token 编辑加速文本扩散

ZeroSearch：无需搜索即可激发 LLMs 的搜索能力

更多思考，更少准确性？论视觉语言模型中推理的双重性质

马吉斯特拉