ASSCG来了：自动驾驶LLM该查、该存、还是该扔？
自动驾驶里最怕的不是“慢”，而是慢系统该出手时没出手、不该出手时瞎出手。ASSCG把这个老大难问题拆成“查、存、扔”三种动作，思路很朴素，效果却相当能打。
标签：强化学习
共 130 篇
几何感知MCTS来了：6题5破纪录
这篇论文把“无三点共线”这类老牌几何难题，硬生生改造成了一个能跑 MCTS 的搜索问题。更妙的是，它不是只会搜，还会用几何对称性和增量约束把搜索树修得更瘦，挺有工程味道。
Qwen3最新研究：高分rollout也会带偏训练？
在线强化学习最怕什么？不是不会学，而是学着学着突然跑偏。GEOALIGN抓住“高分但方向不对”的rollout，直接在潜空间里做体检，数学推理和对齐任务都更稳了。
ICRA 2026新作FEARL：机器人安全也能可验证，碰撞率降到0
这篇论文最有意思的地方，是把“基础模型很强但不好验”这个老大难，拆成了一个能落地的工程问题。大模型负责看图、听话、想任务，小安全模块负责把关，形式化验证只盯住后者，思路很干净。
GEOALIGN来了：让LLM在线RL少走弯路，Qwen3稳定提分
这篇论文抓住了在线RL最烦人的毛病：明明奖励不低，训练却像坐过山车。GEOALIGN不跟奖励硬刚，而是从“方向”下手，专门揪出那些高分但带偏全局更新的rollout，思路相当清爽。
DFC把工具调用压进单特征，Qwen2.5-3B溢出6.8%
这篇论文把强化学习后的大模型工具调用，拆成了可定位、可操控、还能“溢出”的内部特征。更有意思的是，单个 A 专属特征就能把工具调用能力直接拉满，机制味儿很浓。
离散扩散VLA上RL终于跑通了？99.7%与30.6%提升
这篇论文专门盯上了离散扩散VLA的“RL卡脖子点”：最终动作的边缘概率算不出来，那就直接优化去噪轨迹本身。思路很硬，结果也很硬，LIBERO和RoboTwin 2.0都打出了能拿出来讲的成绩。
机器人优化告别单线程：jaxipm吞吐暴涨25倍
这篇论文把“单个问题慢慢解”改成了“很多问题一起解”，而且还是在GPU上批量跑非线性规划。对机器人、轨迹优化和模型预测控制来说，这种吞吐量思路很实用，属于把优化器从老式单机房，直接拎进了GPU流水线。
ICML 2026新发现：RL工具调用竟能压到一个神经元？
这篇论文把“RL到底把工具调用能力藏在哪儿”这件事，直接追到跨编码器里的单个特征上了。更有意思的是，它不仅能定位，还能在推理时把能力拧出来，甚至让基础模型也跟着“蹭到一点”。
FPV无人机竞速新方法：失误更少、学得更快
这篇论文挺有意思，核心不是让AI帮人飞得更稳，而是让AI知道什么时候该帮、什么时候该收手。宾大这套L2C把“教练”这事做成了强化学习问题，FPV无人机实验也给出了挺硬的结果。
告别人工脚手架！Spiral端到端训练模型自己搜索和聚合，递归自聚合效果惊艳
很多模型训练时只学顺序推理，一到测试却靠人工搭脚手架（并行采样+投票）来提分，中间有个巨大的“训练-测试”鸿沟。斯坦福这篇Spiral颠覆性地用集合强化学习，让模型边训练边学会如何搜索和如何聚合，把整个推理过程端到端打通了。效果非常硬核，4B模型推理效率吊打传统方法11倍，不愧是Chelsea Finn和Noah Goodman团队的新作！
还在用GRPO？当90%动作都是“摸鱼”，信噪比还不如随机乱猜！
训练多轮智能体时，GRPO等无评判器方法常常在长序列任务中“失灵”，大家都以为是“长程信度分配”的锅。但龙哥今天带来的这篇工作却一针见血地指出：罪魁祸首是“例行公事”太多！论文首次定义了“决策密度”这个量化指标，并完美推导验证了其与训练信噪比之间的幂律关系。啃完这篇，你对强化学习训练效率的理解会上一个台阶。
