浙大美团联合提出SkillRise：任务越做越聪明，智能体学会举一反三
让AI智能体学会“举一反三”，而不是每次都从零开始。美团、浙大、上交大、新国立联合提出的SkillRise，通过端到端强化学习，让单一策略在执行任务中不断提炼技能文档，并在后续任务中复用。在三大Agent基准上，它用更少的资源，实现了更高的性能和明显的测试时扩展趋势。
标签：强化学习
共 130 篇潜世界模型“耳朵聋了”？ActSWM一招修复，Minecraft规划成功率飙升90%
潜世界模型能预测未来帧，却可能对动作指令“假装没听见”——这不是开玩笑，论文首次定义了这个叫“上下文坍塌”的致命缺陷。ActSWM只用两个干净约束（动作对比铰链损失+冻结读取器）就让Minecraft石料挖掘成功率从50%飙到95%，还能从GTA视频里反向恢复按键。问题实在、方案漂亮、实验扎实，值得所有做模型预测控制的朋友认真读一读。
自动驾驶告别特权信息！Valeo.ai 500亿步开创新范式
继6月聊过Mila的Gigapixel自博弈训练之后，Valeo这篇Pictura直接更进一步：把强化学习的观察空间从特权矢量换成了摄像头第一视角的渲染图，彻底消除了部署时的表征鸿沟。500亿步训练后，效果居然还能跟特权基线掰手腕，零样本迁移到Waymo场景甚至反超——这才是自博弈该有的样子。
复旦+字节跳动ISSTA'26：一招让LLM学会API测试常识
API测试最头疼的“冷启动”问题——没有OpenAPI规范、没有历史日志，只有一个请求样本，能自动写出靠谱断言吗？Restor告诉你，用强化学习（GRPO）微调一个轻量LLM，这事儿能成，而且字节跳动已经在生产环境跑起来了，采纳率直接干到96%以上。一篇来自复旦和字节跳动的ISSTA'26工作，实打实的工业级神器。
5条命令1秒验证，60年数学难题有了机器裁判
数学家们苦苦追寻了60年的Andrews-Curtis猜想，在长度-14的边界上，有一位独立研究者甩出了一套机器可验证的JSON证书——只需5条命令，1秒内就能让电脑成为定理的裁判。这像不像给数学猜想装上了“代码解释器”？想看看数学+代码如何联手攻克前沿难题？这篇论文值得你花一刻钟感受。
NVIDIA新作Agentic RL框架Molt：代码量锐减至9K，吞吐量持平Megatron
NVIDIA开源了Molt，一个专为智能体强化学习（Agentic RL）设计的PyTorch原生训练框架。代码量仅约8600行，却能在吞吐量上与业界顶级的Megatron堆栈掰手腕。对于天天改算法的研究者来说，这简直是福音，终于不用在层层抽象和复杂配置里找东西南北了。
NVIDIA开源Molt：8.6K行代码驯服700B MoE强化学习
给大模型训练强化学习，框架代码动辄数万行，改个奖励函数得绕三天。NVIDIA最新开源Molt，核心RL代码仅8.6K行，但能流畅训练700B规模的MoE模型，性能还跟Megatron-based框架平起平坐。这框架到底有啥魔力？值不值得你的团队迁移？咱们今天就来扒一扒。
告别离散判分：连续概率评分让LLM验证准确率提升至86.5%，零微调超越专用模型
验证是AI的隐藏瓶颈！斯坦福伯克利这篇最新论文，提出LLM-as-a-Verifier，用连续评分取代离散判分，并沿三个维度缩放验证能力。无需训练就在代码、机器人、医学四基准拿下SOTA，GitHub已获近600星。想了解如何让Agent更可靠？这篇值得细读。
新方法NSMA：把规则“钉”进神经网络，零样本称霸8大网络！
继2026年6月推过一篇强化学习搞定视频压缩之后，这回ABR领域又来了一个狠角色。电通大团队不仅一针见血地指出：多年来用来测试强化学习ABR策略泛化性的工具（只看平均带宽等统计量）是错的！还顺手把“规则”和“学习”的边界给消融了。 方法是真硬核：把经典码率选择的规则，直接以几何锚点的形式嵌进神经网络的潜在空间里，让网络“想跑偏都难”。训练只用3G数据，零微调
FORGE-plus来了：LLM给机器人定力上限，压不坏还会修
机器人装配里最容易翻车的，不是“不会做”，而是“太用力”。这篇工作把LLM从“嘴强王者”变成了会给力控设预算、会看力信号选恢复动作的监督器，思路非常工程化。
北大阿里新方法：长上下文推理少复读，准确率最高提4.6分
长上下文推理最怕什么？不是算不出来，而是模型一边思考一边疯狂复读输入。北大和阿里这篇论文把“复读”拆成可优化的奖励信号，思路很朴素，效果却很能打。
不看全局也能收敛？这篇论文把多智能体算快了
多智能体强化学习最怕两件事：一是智能体一多就“全局爆炸”，二是连续状态动作一上来，离散表格那套直接失效。CDCPG把这两个坑一起填了，靠局部策略、局部评论家和随机特征，把理论和工程代价都压到了可讨论的范围里。
