无卖空约束也能做RL？这篇论文把均值-方差投资学拧回来了
无卖空约束一加上“未知市场参数”，很多传统最优解就开始失灵。本文的聪明之处在于：不去硬碰硬做受限随机化，而是把约束放到均值上，用高斯噪声做训练，最后还能把原问题的最优策略捞回来。
标签：强化学习
共 130 篇
北大DWM新法：规划成功率最高提13.1%
世界模型最怕的，不是不会预测，而是把“环境自己在变”和“动作造成变化”混成一锅粥。DWM专门盯住这个老毛病下手，训练阶段分开学，推理阶段却不加戏，思路很干净。
10个仿真+4个真机任务，HCPG-Flow更稳了
机器人操作里最烦的不是“不会动”，而是“会动但总选错那一下”。这篇工作把候选动作选择从依赖 critic 打分，改成了接触前后分阶段的几何进度判断，思路很朴素，但很实用。
RSS 2026新诊断：世界模型其实在“想当然”？
世界模型最怕的不是预测错一点，而是 看起来很会想，实际上只会顺着状态续写 。这篇论文直接把“长时程想象失败”拆成运动学和动力学两层，诊断味道很足，尤其适合做机器人、自动驾驶和具身智能的人看。
World Translation登场：仿真到现实，靠“反向提取”补上动力学缺口
仿真到现实这道坎，难点从来不是“模型会不会猜”，而是“隐藏变量到底藏在哪”。这篇论文的思路很狠：既然前向历史不够用，那就从结果里倒着抠信息，再把仿真和现实的动力学特征做无配对翻译，路子新，而且实验也不虚。
腾讯PCG新方法：34K数据把视频感知拉升5.2%？
视频推理这事，很多时候不是“会不会想”，而是“看没看见关键帧”。这篇论文直接把矛头对准感知短板，用注意力把稀疏奖励拆成帧级、Token级信号，思路很硬，实验也够实。
8张H20实测：Muon在RL后训练里真能赢AdamW？
Muon 在预训练里已经很能打，但到了强化学习后训练阶段，表现却一直不清不楚。这篇论文不讲玄学，直接拿三种优势估计器和学习率做对照，结果很扎眼：有的场景能涨 88%，有的场景却几乎没戏。
轨迹优化+TVAE+RL：四足机器人野外越障新范式
四足机器人最难的不是“跑起来”，而是“跑着跑着还知道该怎么换姿势”。这篇工作把轨迹优化、动作预训练、强化学习和感知蒸馏串成一条链，真机直接冲到6米/秒，属于能看懂、也能落地的那类机器人论文。
北大×小米新方法：施工区域规划更稳了
施工路段最容易把模型训练出的“老司机直觉”打回原形。WorkDrive的思路很直接：先把现场关键事实看清，再把因果链讲明白，最后用一致性奖励把轨迹拽回来，适合关心自动驾驶落地的人细看。
Qwen3.5-4B实证：RLVR界不再是空话
这篇论文最狠的地方，不是把RLVR讲明白了，而是第一次把“训练得不错”推进到“理论上也站得住”。更有意思的是，它不是空谈定理，而是拿出一条Progressive RLVR流水线，把压缩、蒸馏、量化一起拧上，真把泛化界做到了能看、能算、还能落地。
Qwen3-VL上新方法：技能库让多模态推理更稳更省
多模态Agent最尴尬的不是不会做题，而是做对一次后，下一次还得从头学一遍。SPyCE直接把成功轨迹蒸馏成可复用技能，并让技能和策略在训练中一起进化，思路很顺，实验也够硬。
数学推理新方法：CANON在无标签场景涨分12点
无标签训练最怕什么？怕信号太稀，怕算力太贵。CANON偏偏把“多数投票”变成了每个token都能学的监督信号，结果是：更省算力，推理还更准。
