母语推理只掉3个点？Apple最新多语言GRPO实证
Apple Research出品，一份覆盖9个模型、11种训练语言、最多23种训练变体的大规模 GRPO 多语言实验。它用数据回答了「非英语推理训练到底行不行」这个老问题，还挖出了跨语言迁移背后的隐藏退化风险。做多语言强化学习或推理模型训练的同学，这份图谱值得收藏。
标签：强化学习
共 130 篇
斯坦福新作：机器人操作提速2.4倍，成功率还不掉
斯坦福Chelsea Finn团队的新作。机器人操作策略学会了但跑得慢，这工作直接给模仿学习加装一个强化学习训练的速度策略，不采新数据、不动原策略，在倒水、投掷等动态任务上提速超2.4倍，思路轻巧、实验扎实，值得一读。
京东人大新研究：让购物Agent学会“听劝”，NDCG暴涨47%
你有没有被电商AI导购气得牙痒痒过？明明说了“今天就要”，它偏给你推明天才发货的。京东和人大这篇新研究，就是让购物Agent学会从真实用户的吐槽和购买行为中自己进化，不用人工标注，推荐效果直接起飞。
俄高校最新证明：逆强化学习内层Hessian天生等于Fisher矩阵
逆强化学习难在双层优化里的逆Hessian-向量积，又贵又不稳。这篇来自俄罗斯HSE大学的工作证明了一个漂亮结论：内层最优时Hessian就是Fisher信息矩阵的常数倍，再用流式素描去近似，存储从O(d²)直接降到O(md)。方法在CartPole和LQR上都跑出了不错效果，思路清爽，值得一读。
46语言屠榜！小米开源翻译模型无参考后训练超GPT-5
这可能是目前“无参考后训练”最扎实的一篇落地研究：小米直接用GRPO把46语言翻译模型的无参考质量分数推过了谷歌翻译和GPT-5，还顺手开源了模型和代码。想搞懂“不依赖参考译文怎么训翻译模型”，这篇值得精读。
世界模型规划总翻车？VIScore三个维度直接定位病根
潜在世界模型越来越火，可学界一直缺一把能解释“为什么这个模型规划成功、那个却失败”的尺子。本文从SIGReg与VISReg的受控对比入手，把诊断对象从单一编码器扩展到编码器+预测器+规划器三件套，提出VIScore；相关度冲到0.75以上，校准误差还能低于常量拟合，属于世界模型方向稀缺的工具型工作。
多轮搜索Agent新范式：小模型蒸馏精炼上下文，性能逼近GPT-4
搜索智能体总是"检索到答案却答不出来"？问题很可能出在上下文干扰。港中大等机构这篇研究系统地定位了干扰源——最新检索回来的文档，并设计了蒸馏式上下文精炼器，让智能体在"生成"之前先"精炼"，可靠性和效率双双提升。看完这篇，对多轮搜索智能体的调优思路会有新的启发。
商汤新研究：AI先规划再看视频，token省90%，长视频理解还能更强？
看长视频最怕"看多少、看哪里"的选择困难。商汤这篇EVA直接用强化学习把"先规划再看片"的训练出来，多个长视频基准提升6-12%，视觉token还省得惊人。让AI学会"聪明地看"，这个方向值得重点关注。
UIUC提出FinATOM：无头token直接炒股，ETF组合夏普1.428→1.529
同样一个因果语言模型，不加回归头、不加策略头，只靠输出token就把三步收益预测和五ETF动态配置全干了；池化净夏普从1.394提到1.494，2025年多模态优势最猛。想看看语言模型怎么绕过"换任务就换头"的套路直接当金融决策接口？这篇值得一读。
Bengio团队新作：用强化学习把贝叶斯符号回归做成后验采样器
先把镜头拉远一点。物理学家手里有一堆实验数据，然后想从里面挖出一条公式——比如爱因斯坦那个 E = mc²。放在过去，这得靠灵光一现。
告别手动标注！CVPR 2026论文提出PPD，让SAM提示词越战越准
为什么值得读？CVPR 2026最佳论文荣誉提名作品，把“攻击-防御”对抗博弈引入SAM提示词优化——用攻击者主动制造干扰，逼出能抗干扰的提示词优化器，全程无需下游任务标注，即插即用，医学图像上最多涨超15个百分点。思路清奇，值得一看。
华中科大SimWAM：单目摄像头91.5 PDMS登顶NAVSIM，视频生成零开销！
视频生成模型在自动驾驶里一直是“吃钱大户”，训练花钱推理更花钱。华中科大这波操作骚气：让视频大模型只在训练时当“免费家教”，推理时直接扔了它，结果单目摄像头91.5 PDMS登顶NAVSIM，延迟还比别人低一大截😏 这便宜占得，值得好好看看。
