2026新作REAR：奖励分解后，偏好对齐更稳了
这篇论文最有意思的地方，是它没有继续给模型“加班训练”，而是把问题搬到了测试时：先拆奖励，再重排输出。对偏好对齐、推理加速、树搜索都很友好，属于那种工程味很浓、落地门槛也不高的工作。
标签：强化学习
共 130 篇
复旦字节新方法：CAD代码生成提升8.87%
这篇论文把 CAD 代码生成从“会画个大概”往“能执行、能编辑、能落地”推了一大步。更有意思的是，它不是单模型硬扛，而是让多个异构专家协作，再用强化学习把这些专家的长板拼起来。
nuPlan上新方法涨分23点：闭环错误变教材
自动驾驶最难的不是“会开”，而是“开错了怎么补课”。R2LPL把闭环里的错误当成教材，再用终身学习把知识存住，思路很务实，尤其适合关心落地和长期迭代的人。
腾讯中山大学新方法：复杂指令不再乱序
自回归视频最怕的不是慢，而是“顺序一乱就全乱”。TempAct 把规划和执行拆开，再用分层强化学习去训，专治复杂时间指令下的语义混淆、提示切换失灵和误差传染，思路很像给视频模型配了个会排兵布阵的总指挥。
多伦多大学EPFL新方法：TRL让推理更像人话
这篇论文最有意思的地方，不是把推理分数再往上拱一拱，而是盯住了一个更现实的问题：模型变强了，弱模型和人却未必跟得上。TRL用“接力式” rollout 把单挑能力和协作可读性尽量绑在一起，思路很工程，也很像真业务会遇到的坑。
过渡级监督来了，LLM Agent记忆更可信了？
LLM Agent 的记忆最怕什么？不是“装不下”，而是“记错了还会一直记”。TRUSTMEM盯住每一次记忆更新的覆盖、保留和忠实度，把训练信号从终点前移到每个过渡步，专治长期记忆里的“慢性病”。
Walton团队新作：资源编排也能讲稳定性
这篇论文最有意思的地方，不是又堆了多少控制论黑话，而是把“资源怎么分”这件看似运维味十足的事，硬生生做成了一个带稳定性、尾部风险和公平性的闭环问题。黑天鹅一来，静态策略直接原地发呆，AURORA-AI却能快速回收预算，值得看它到底怎么把理论和工程拧在一起。
Oxford新作：实时RL学会“何时思考”，自适应预算反超固定搜索
实时强化学习最狠的矛盾，不是“会不会算”，而是“算的时候世界还在往前跑”。这篇牛津论文干脆把“思考时长”也变成可学习策略，5个环境里直接干过固定预算和启发式基线，还能迁移到双GPU部署，工程味很足。
NavIsaacLab来了：并行仿真把人群导航练到像真的
这篇论文把“人群导航”从简单避障，直接拉到了“高保真仿真+并行训练+真实机器人验证”的完整链路。更关键的是，它不只会搭场景，还把行人的轨迹和全身动作都做得更像真的，适合做 benchmark，也适合拿来练策略。
VLM当考官！这篇RL新法让桌面智能体提分12.6%
桌面智能体最烦的不是“不会做”，而是“做完了也不知道算不算对”。这篇论文把 VLM 变成自动考官，再把考官的口误做噪声校正，思路很实用，结果也挺扎实，适合想看 Agent 怎么真正学会干活的读者。
清华字节新方法：不用CoT冷启动也能学会重看视频
这篇论文把“看视频”拆成了三件事：先粗看定位，再重看细节，最后重答修正。最妙的是，它不用冷启动的长串 CoT 标注，直接靠强化学习把重看能力练出来，省事还挺能打。
IEEE 2026新作：安全迁移强化学习让换道更稳更快
这篇论文把“老师盯着学”这件事，做成了一个能自适应收放的安全迁移框架。换道这种高风险任务里，它不只管少撞车，还尽量别把效率一起按进地板里，思路挺顺手。
