AAAI 2026新作：结构化强化学习让“说服式驾驶”提速30%
这篇论文最有意思的地方，不是“自动驾驶+强化学习”这几个词本身，而是它把“怎么劝车走哪条路”变成了一个可学习、可证明、还能在线更新的结构化问题。对做自动驾驶、交通优化、信息设计的人来说，这种把理论和工程一起收紧的思路，确实值得细看。
标签：强化学习
共 130 篇
PhysClaw-0：语言纠错让机器人采数据省84%人力
机器人采数据最怕“同一个坑反复踩”。PhysClaw-0把一次纠错变成后面都能复用的规则，省人力还不丢数据质量，属于很会过日子的机器人系统。
微软TRACE新作：Qwen3-4B长程搜索飙到35.6
长程智能体最怕的不是不会搜，而是搜了半天，最后谁也没记功。TRACE把这件事掰开揉碎，逐轮算账，适合想搞懂长程RL怎么训得更稳、更快的人。
清华SCALECUA把电脑智能体拉到68.7%，开源模型新纪录
这篇论文最值钱的不是单点技巧，而是把电脑智能体最卡脖子的三件事一次打通：题不够、采样不准、训练太慢。清华团队把可验证任务合成、前沿采样和视觉上下文分割拼成一条流水线，直接把开源模型推到 68.7%。
A100上跑历史翻译？DPO在这篇论文里赢了
这篇论文最有意思的地方，不是“翻译”本身，而是把古手稿识别、现代越南语生成和偏好对齐揉成一个端到端问题。PPO、DPO、KTO三种RLHF路线同台对决，结果也很诚实：DPO在多数翻译质量指标上最稳，PPO更偏覆盖，KTO则保留了自己的性价比。
ICML 2026新思路：MLLM回读似然，零样本变奖励模型
这篇论文最有意思的地方，不是又训练了一个奖励模型，而是把“奖励”这件事倒过来做了：让预训练多模态大模型回读提示词，看图能不能把原话读回来。结果很直接——不用偏好标注，不用再养模型，照样能把文生图强化学习带起来。
UNC+CMU新作DenseReward：逐帧奖励学会看翻车
机器人强化学习最怕的不是“学不会”，而是“根本不知道哪里错了”。DenseReward偏偏把失败这件事做成了数据，顺手把奖励从“看终局”升级成“看过程”，这就很对路。 项目视频：https://dense-reward.github.io/assets/videos/DenseReward.mp4
百度北大新作：ECHO把长程RL的记忆与信用打通
长程智能体最烦的不是“想不起来”，而是“想起来了却不知道该把功劳算给谁”。ECHO把记忆选择和信用分配绑在一起，思路很工程，也很实用，尤其适合做搜索、工具调用和深度研究的Agent训练。
RiVER来了：无标准答案也能训大模型，ALE提分9.4%
这篇论文最有意思的地方，不是又把一个榜单刷高了，而是把“没有标准答案”的优化题，硬生生改造成了可训练的强化学习环境。原始分数不靠谱、频繁样本会抢戏，RiVER都给它摁住了。
Cohere与LG CNS新作：111B模型只改三步，韩英智能体更会推理还省显存
这篇论文最有意思的地方，不是把模型从头再训一遍，而是拿一个已经后训练好的111B多语模型，靠三步适配把“会说话”升级成“会办事”。更关键的是，它把韩语回答、英语推理、工具调用和单卡部署这几件原本互相打架的事，硬是捏到了一起。
Stanford新方法：机器人偏好学习告别“总分制”
机器人偏好学习最烦的不是“没数据”，而是“数据看起来很多，实际全在讲废话”。这篇 FPL 直接把偏好拆成速度、安全、质量等自然语言轴，监督更细，策略也更会“看脸色”了。
RoAd-RL开源基准来了：192种组合测穿强化学习防御
强化学习一碰到对抗扰动，很多“看起来很稳”的防御就原形毕露。RoAd-RL更像一把统一标尺：把攻击、防御、指标和复现流程都收拢起来，先把评测这件事做规矩，再谈谁真有本事。
