端到端自动驾驶：22小时适配变0.9小时，且零在线交互
端到端驾驶系统有个“隐形痛点”：车厂不断升级感知模型，可下游的决策策略一旦重训就是天价成本。上海交大这篇论文直接点题：不重训策略，就用一个轻量“拼接层”把特征空间对齐回来！效果扎实，跨域场景下驾驶分数从34.76飙到89.88，而适配时间从22小时缩到1小时以内。这思路特别实用，喜欢搞工程落地的朋友别错过。
标签：强化学习
共 130 篇
中山大学最新研究：让自动驾驶先“脑补”未来，再“反思”轨迹，4B模型SOTA效果亮眼8B
大多数自动驾驶模型都是“一条路走到黑”，直接生成轨迹，却不知道这轨迹未来会导出什么结果。中山大学等机构提出的IRR-Drive模型，让智能体先“预设意图”，再通过预测未来BEV可视化地“反思”一遍，最后才修正轨迹。这种做法在NAVSIM v1/v2两个权威榜单上都拿到SOTA，而且仅用4B参数就能干翻不少8B模型，性价比拉满。
多目标决策新范式：不用预设预算也能找齐所有最优解
当药物分子库动辄上亿候选物时，那个经典的“找最佳分子”问题瞬间变成了在浩瀚星辰中寻宝。不仅要考虑多个属性，还得在“探索”和“利用”间平衡。这篇论文提出了TTPFTS，第一个真正意义上的“随时”贝叶斯算法，无需预设预算，就能边采样边给出越来越准的帕累托最优解集。更绝的是，在9400万分子的库中，它只用了0.05%的探索量就几乎锁定了全部真实最优解，还自带一个“
CVPR 2026：当降熵成为陷阱，SPOT-E用锚点保住证据
大模型能说会道，但遇到要细看图表、小字的地方，经常"看走眼"还"自信满满"。孙海伦团队从"答案熵"入手，发现模型在不确定时会表现出更高熵值，但盲目降熵反而让模型走上捷径。SPOT-E巧妙设计了一个视觉"聚光灯"，配合强化学习，只调光照不调模型，让GPT-4o和开源模型在多个密集证据任务上获得稳定提升，思路清奇又实用。
告别复杂建模！数据驱动生成机器人手，通用手误差仅0.24mm，专用手成本大降9成
当别人还在苦苦帮你设计的机械手找动作重定向算法时，这篇论文直接让数据决定手本身该长什么样。用400万帧人类指尖运动作为“训练数据”，通过逆向运动学，低门槛地生成出硬件与控制的联合最优解。一个通用手精度吊打商用产品，专用手还能用被动关节省钱减重。妥妥的实用主义顶刊范儿。
西北大学&亚马逊AGI最新研究：让大模型学好“纠错”，推理能力暴涨，4B模型打趴8B！
让大模型第一步就做对，这要求有点高。但如果允许它错几次，再一步步修正呢？ 西北大学联手亚马逊AGI提出的REVES框架，精准点出了当前“测试时扩展”技术的核心瓶颈——训练与推理的“步数”不匹配。它巧妙地通过把“接近正确”的错解转化为修正样本，用单步强化学习高效地训练模型学会自我纠错，在代码、数学上全面领先，还用4B模型在圆球填充任务上追平了8B系统的SOTA
机器人视觉新范式：不再看图识字，而是看“手”学动作
传统视觉编码器（如CLIP、DINOv2）再强大，也是用猫狗图片、风景照训练的，它根本不知道“抓杯子”需要看哪儿。这篇UC Berkeley和NVIDIA的CAIP，用地表最强的“人类第一人称操作视频”（Ego4D等）作为训练数据，让视觉编码器学会了看“手”和“物体接触点”。这招“用人类手部姿态代理机器人动作”，直接让灵巧操作任务成功率飙升30%，而且抗干扰
四足机器人跑酷破纪录！SWAP用对称性原理，一跃2.13米，登顶1.63米
机器人的左右腿，是不是总被当成两套独立的程序在学？这篇论文的作者们也这么想，于是他们干脆把“对称性”这个物理常识硬塞进了神经网络。结果咋样？一台重达72公斤的机器人，在美国国家航空航天局（NASA）的JPL实验室里也跑不出这么猛的数据——1.63米高台一跃而上，2.13米宽的鸿沟轻松跨过，这波操作，真把四足跑酷玩成了物理定律的炫技。
港科大新研究：只更新10%Token，推理能力飙升15%，告别盲目探索！
训练大模型就像带兵打仗，胡子眉毛一把抓只会越训越乱，熵塌陷了解一下？港科大的这篇论文发现了其中的“关键少数”——那些在分布上偏离群体平均的Token才是决定推理方向的决策节点。这套方法原理漂亮，效果更惊艳，只更新10%的Token反而吊打全量训练，是RLVR领域的一股清流。一起来看！
阿里最新研究：让LLM学会“连点成线”，长期部署任务成功率飙升76%！
大模型做agent已不新鲜，但让它在真实场景长期部署、边工作边学习、自己积累经验，才是终极形态。阿里CoD论文用强化学习端到端训练LLM学会“连点成线”的元能力，任务序列里第四个任务成功率从28%干到76%，还跨域泛化到没见过的任务上。
Mila等最新研究：告别仿真瓶颈！自博弈训练端到端自动驾驶，效率吊打行为克隆
在继2026年6月推送过‘自动驾驶新突破！LLM+端到端双系统让无人车学会"老司机"思维’之后，今天Mila、蒙特利尔大学等机构的研究者们又开辟了让AI在虚拟世界里‘自己跟自己飙车’以训练端到端驾驶的新范式。其核心在于用超高速模拟器Gigapixel实现像素级自博弈训练，显著提升了模型的闭环鲁棒性，是应对长尾安全问题的一记猛药。
强化学习基础模型，真的还没到来吗？一招用「合成先验」搞定任意MDP
社区热议（453赞）！这篇2026年6月的论文一针见血地指出：强化学习缺的不是更好的模型，而是一个可以随意采样的合成先验。作者借鉴TabPFN的成功经验，直接把MDP「表格化」，用图注意力网络一通训练，结果在未见过的环境中，6个episode就收敛到最优策略，效率吊打传统上千步的Q-learning。思路极其清奇，简直是给RL基础模型铺路！
