强化学习｜攻击也嫌贵？理性DY攻击者模型让协议安全首次可判定
这可能是今年最值得安全协议研究人员读的一篇理论文：把干了四十年的Dolev-Yao攻击者从“能力模型”升级成“激励模型”，让攻击者学会算账，收益小于成本就不攻击。论文证明理性安全可判定，还给出了可计算的阈值，并在支付协议和ThreeBallot投票两个用例中展示了如何“用钱说话”。建议所有做安全协议验证、密码学形式化、投票方案的朋友都读一下。
标签：强化学习
共 143 篇
MuJoCo三族机器人参数全变，看清华如何让世界模型不发懵
换根连杆、改个质量，世界模型就“失忆”？清华这项研究把机器人形态参数和可复用动力学分开建模，让世界模型在没见过的新参数下也能零样本预测和规划。想搞机器人泛化的，这篇值得一读。
CVPR 2026！人大&清华R²VLM：长时程任务进度估计MAE骤降92%
史上最亮伽马暴GRB 221009A飞过天际时，IXPE用了三天才转过头，偏振只能给出一个上限；而规划中的EXPO能在约50秒内自主重指向，把"上限"变成"精度"。这篇文章讲的就是这台把X射线偏振能段拓宽4倍、重指向快8000倍的下一代空间天文台。
阿里USB基准发布：5274条真实购物轨迹，支持多轮强化学习
电商推荐系统想离线做策略评估，最缺的就是一个“真实买家”。阿里和人大等团队提出的RecVerse，让模型真的去看截图“逛街”，还配了套三层记忆和轨迹级奖励，模拟出来的购物行为既像真人一样会犹豫比较，又能买到用户真想买的东西，顺手开源了5千多条真实轨迹的交互式基准。做推荐、做用户增长的同学值得一读。
LG Chem最新实测：AI充电让续航估算准18.8%，快充提速1.5倍
电动汽车的"充电焦虑"终于等来了AI解法。Lucid与通用汽车的工程师用强化学习、LSTM和模糊逻辑组合拳，在LG Chem下一代BMS上实测：SOC估算精度提升18.8%，电池寿命延长28.5%，充电成本下降21.6%。既有产业数据又有落地细节，值得所有关注新能源车电池管理的人一读。
告别“绕路成功”！厦大&南洋理工PlanPO：多轮智能体强化学习效率暴涨27.2%
继8月推过单次采样SAPO之后，强化学习训练多轮智能体又有新活。这次厦大和南洋理工的合作工作，只靠“成功轨迹的长度”这一个几乎零成本的信号，就把GRPO平均拔高27.2%，还顺带解决了成功轨迹之间的“优势坍缩”难题，值得一读。
加州真实数据实测：电网调度告别负荷预测，强化学习闭式解稳了
新能源越装越多，电网调度的老套路——靠预测吃饭——越来越不好使。预测一错，调度全乱。这篇论文干脆把预测模块整个丢掉，让强化学习直接从运行数据里学调度策略，还是闭式解！又稳又能解释。想在电力系统里玩RL的、搞控制优化的，这篇值得一读。
让AI学会货比三家？普林斯顿这个基准至今无人超越
这篇被引1300+次的开创性工作，来自普林斯顿大学。WebShop用118万件真实商品和1.2万条人工指令，把“语言智能体”的评测从玩具级任务搬进接近真实的电商场景——AI要自己读懂需求、搜索商品、挑选项、下单。更难得的是，训练好的智能体能零样本迁移到真实Amazon和eBay，是语言grounding方向绕不开的经典基准。
单次采样效果优于PPO/GRPO厦大&南洋理工新方法大涨15个点
智能体强化学习正处在大模型后训练的核心位置，但PPO太贵、GRPO又存在信用分配短板。本文提出SAPO，用一条自回归流同时搞定策略与价值估计，在ALFWorld和WebShop上比PPO/GRPO平均涨15.1/12.1个百分点，还省掉独立critic、提速33.2%。一句话：值估计的便宜和单采样的高效，这次全都要。
告别从零训练：ADEPT预训练范式解锁全自由度灵巧操作
人类觉得"闭着眼都能做"的插拔动作，对机器人来说，却是灵巧操作领域最硬的骨头之一。尤其是当机器人换上一只仿人五指手，光是"让五根手指协调起来把东西捏稳、转正、再对准插进去"这一套动作，就足够让无数强化学习训练曲线原地去世。
斯坦福北大联手，QWM让Q学习用上世界模型，操作成功率大幅飙升！
世界模型和Q学习还能这么玩？斯坦福北大团队提出的QWM，把世界模型当成“预言家”，只做测试时搜索，不让模型误差污染训练，操作成功率全面飙升。继7月末聊过ActSWM这类JEPA世界模型的规划玩法后，本期这篇把Q学习和世界模型的结合推到了一个新高度。
给LLM“乱打分”上保险！混合RL框架证明：奖励塑形不改变最优策略
这篇论文干了一件很“较真”的事：当大家都在用LLM给强化学习当“教练”时，它用数学证明了只要奖励塑形方式得当，教练再怎么“瞎指挥”，也改变不了最终的最优策略。不管是做LLM Agent还是RL的读者，都值得看看这份理论保障。
