最新SOTA！多目标强化学习不用改算法，只换网络结构就能让HV暴涨132%？
单目标强化学习靠“换网络结构”就能白捡一大截性能，多目标强化学习却还在算法泥潭里打转？马萨里克大学和阿托大学的最新研究直接把SimbaV2架构搬进MORL，HV暴涨132%，证明“算法不够，架构来凑”这条路在多目标领域同样走得通。对正纠结算法创新还是架构升级的读者来说，这篇论文给出了一个极具性价比的新方向。
标签：强化学习
共 130 篇
GPT-4.1给推荐系统暖启动：线上180万用户实测CTR涨9.51%
这篇来自NAVER WEBTOON的工业界论文，把大语言模型从“在线排序器”降级成了“离线先验估计器”，用GPT-4.1从评论文本里提炼贝叶斯先验给Thompson采样暖启动。真实线上A/B/C测试近180万用户，冷启动10-49印象桶CTR涨了9.51%，还顺手揭示了一个反直觉现象：内容先验降CTR却升CVR。想抄作业的做推荐的都该看看。
OOD准确率最高涨9点！北航ToolLIFT：让LLM换套工具照样干活
ToolLIFT把“具体工具”抽象成“功能角色”，让LLM在没有见过的新工具集上也能规划出像样的工作流。OOD基准上最高涨近9个点，泛化能力肉眼可见，工具规划方向的小伙伴值得一读。
美团新框架SAF：1.7B到8B全系提升，几乎所有基准都在涨
图1：固定系数融合与SAF的对比。SAF分别针对OPD优势的幅度失配与时间失配设计独立控制机制，避免熵塌缩、保留探索能力，最终提升任务表现。
清华自进化新框架：让机器人学会自己找“坑”，失败率狂降67%！
机器人训练有个“鬼打墙”现象：数据越采越多，失败率却纹丝不动。清华这篇工作直接告诉机器人“哪里不行补哪里”——用一个轻量关键性模型引导数据采集，失败率最高降67%，还顺手解决了VLA微调的平台期问题。思路极简，效果很硬，值得一读。
多目标决策太难？这只"狐猴"从人类偏好中学会平衡的艺术
现实世界的决策总在多个目标之间为难：既要跑得快，又要省电；既要安全，又要高效。当奖励函数难以定义时，多目标强化学习该何去何从？LEMUR给出了一个优雅的答案，在多个连续控制任务上全面超越既有方法，逼近全知Oracle的性能表现。
平均2.99轮省一半token 中山大学让大模型学会自判对错
大模型推理烧算力烧得肉疼，这篇中山大学的新工作偏要教模型“见好就收”。SVR让模型每轮输出答案时顺带自证对错+报置信度，自己决定要不要继续想下去，七大数学基准平均2.99轮就超过了固定10轮预算的效果，token直接省一半还多。
非均匀回放何时有效？ETH等机构给出答案，样本效率提升14%
回放缓冲区是强化学习的核心组件，但何时该采用非均匀回放一直是个谜。本文通过三个关键因素给出了答案，并带来一种简单高效的截断几何采样方法，值得每位强化学习研究者关注。
测试时计算还能这么省？中山大学SVR只需一半token精度反超oracle
数学考试里有个经典场面：学霸写完就交卷，学渣越改越错。大模型推理也有这毛病——简单题算力浪费，难题越修越歪。中山大学这篇新论文，教模型“自我检查”：有把握才交卷，没底就再改一轮。结果平均2.99轮推理，精度反而超过固定10轮，还省了一大半token。这招龙哥看了直呼内行！
机器人规划新范式：自动学习有向时间成本，14点提升不是梦
还在发愁机器人规划里怎么设计奖励函数？来自香港浸会大学的这篇论文直接告诉你：不用愁！它从无奖励的演示日志里“挖”出时间距离，让世界模型规划得又快又准，导航成功率直接拉满，操作任务也大幅提升。这正是龙哥一直在说的：比起花里胡哨的模型结构，搞清楚“规划目标从哪来”往往更重要。
同济大学报告：过估计问题终结者，CWAC算法一键搞定
RoPE、2D-RoPE这些位置编码从哪来？这篇论文用一个“构成操作”统一了它们，还理论证明了路径无关的充要条件。基于此设计的JoFormer在值侧也做旋转，ImageNet提了0.4%，长度外推比降到1.02×——对于想理解位置编码本质的读者，这篇是不可错过的代数教科书。
真人实验提升28.7%！RL2让机器人学会“该出手时才出手”
当机器人VLA模型在域外任务中频频翻车，RL²给出了一个既聪明又高效的解法：只在预测到即将失败时，才调用离线强化学习产生的多样化动作来“组合引导”，否则就安心跟着原始VLA走。这项研究不仅揭示了“成功/失败状态缩放定律冰火两重天”的反直觉结论，还在真实机器人上带来了接近30%的成功率提升——关键是，所有模块都是轻量+离线，部署成本极低。值得所有做机器人泛化操
