复旦大学MORAD：六维奖励让RNA逆设计GDT-TS涨16.0%
RNA逆设计是先定三维结构，再找能折叠成该结构的序列。
标签：强化学习
共 143 篇
墨西哥国立理工学院：Qwen3-14B弃答实测，答得更多、错得更少
先讲一个大家都踩过的坑。你问一个模型某个偏门的事实问题，比如某本小众小说里配角的全名，或者某个 1998 年的会议在哪座城市举办，模型张口就来，语气笃定、句式工整、标点齐全——一查，全是编的。
华盛顿大学Reflex：人形机器人接住飞来箱子，真机成功率65%
接住一个扔过来的东西，人类基本不用想。回追一个网球、接住从桌边滑落的杯子、侧身躲开推车、搬货时顺手接住同伴抛来的纸箱，这些动作有一个共同点：目标在动，留给你的反应时间大约只有一秒，而且要用整个身体去接，而不只是伸手。
港科大（广州）S3R：稀疏起草+稠密验证，RL训练吞吐1.39倍
大模型做强化学习，真正的瓶颈常常不在反向传播，而在 rollout 生成——注意力吃掉了七成以上的解码时间。港科大（广州）这篇 S3R 的做法挺取巧：稀疏注意力只负责"提词"，全注意力负责严格验收，采样分布不动，KV 读取却大幅减少。Qwen3-1.7B 上端到端训练吞吐做到 1.39 倍，训练还更稳。
同济大学提出拉马克驾校：自动驾驶训练场景进化，性能损失最高降25.07%
自动驾驶训练里，最容易被当成“背景板”的其实是场景分布。同济大学干脆把它变成会进化的变量：候选场景分布按“训完到底开得好不好”来竞争，优胜路径再蒸馏成一套六阶段轻量课表。完整进化让性能损失比 Replay 降低 25.07%，轻量策略也有 19.13%。
伯克利Sergey Levine团队长程推理强化学习：8步任务提速19.7倍
论文基本信息 原文标题： Long‑Horizon Language Model Reinforcement Learning via Progressive Point Matching 首次公开： 2026年9月7日 署名单位： 加州大学伯克利分校、卡内基梅隆大学 原论文链接： https://arxiv.org/abs/2609.07303
独立研究者TRACE推理代理：根因诊断准确率从15.9%升至75.7%
论文基本信息 方法名称： 合成奖励因果探索训练框架（TRACE） 原文标题： TRACE: Training Reasoning Agents for Causal Exploration with Synthesized Rewards 首次公开时间： 2026年9月9日 署名单位： 独立研究者 作者： Rui Sun、Zhan Shi、Bing He 研
北京大学×北京人形机器人创新中心：人形机器人全身移动操作，七项真机任务平均70.5%
论文基本信息据官方论文与项目页整理；正文不展示普通作者姓名。
人类反馈太贵？PreferenceEKF只问最值钱的问题
论文基本信息 原文标题： Subspace Inference Enables Efficient Active Reward Learning from Preferences 作者： Yutai Zhou、Erdem Bıyık 作者单位： University of Southern California（南加州大学） 首次公开： 2026年9月3日（
腾讯混元WorldReward：世界模型画面再美，动作错了也白搭
世界模型生成的视频越来越逼真，但它可能一边把画面做得很漂亮，一边悄悄执行错了相机指令。复旦、腾讯混元、上海创智学院、上海交大和上海人工智能实验室等团队提出 WorldReward：不再只看单帧美不美，而是逐段检查“动作有没有做对、画面有没有崩”。在 760 对人工标注视频上，它对动作、外观和运动质量的判断一致率分别达到 77.63%、81.32% 和 73.
上交大TIPCODER：代码生成前先“审题”，一次生成反超8次采样
还在让代码大模型硬啃题目？上海交大等机构提出的TIPCODER做了个示范：先别急着写代码，让模型根据具体问题"出个主意"，再动笔。就这么一个前置小动作，一次生成的效果反超了Best-of-8的多次采样，平均通过率最高冲到71.10，有点东西。
让代码AI出题考自己！南洋理工TCS两阶段强化学习方案全解析
考过程序设计竞赛的读者应该都有同感：决定命运的不是“你觉得自己写对了”，而是评测数据有没有精准戳中你代码里藏得最深的bug。
