上交大TIPCODER：代码生成前先“审题”，一次生成反超8次采样
还在让代码大模型硬啃题目？上海交大等机构提出的TIPCODER做了个示范：先别急着写代码，让模型根据具体问题"出个主意"，再动笔。就这么一个前置小动作，一次生成的效果反超了Best-of-8的多次采样，平均通过率最高冲到71.10，有点东西。
标签：强化学习
共 130 篇
让代码AI出题考自己！南洋理工TCS两阶段强化学习方案全解析
考过程序设计竞赛的读者应该都有同感：决定命运的不是“你觉得自己写对了”，而是评测数据有没有精准戳中你代码里藏得最深的bug。
西安交大新作TempoGround：流式目标不再“跟丢”，3D指标均提升7.5
视频流一帧一帧地来，模型能不能不串号、不手抖、不跟丢？西安交大联合EngineAI提出TempoGround，让视觉语言模型在流式输入下连续输出稳定的2D/3D框，3D精度平均提升7.5。这套“状态感知课程预测+强化学习”的组合拳，值得做具身智能和多模态感知的同学认真看一眼。
EMNLP 2026最新：对话推荐总翻车？DREAMS用双蒙特卡洛树让大模型记住偏好，成功率最高+56%
当大模型碰上对话推荐，最怕的不是模型笨，而是它“聊完就忘”。这篇EMNLP 2026主会论文直接抛弃了把上下文堆进Prompt的粗暴玩法，提出双节点蒙特卡洛树搜索框架DREAMS，一边主动问偏好，一边把对话状态变成精准检索查询，成功率平均提升7.43%，Redial上R@1高达0.507，还开源了代码，值得一读！
Apple实测：世界模型多塞2.4亿参数，技能发现反而四连跌
在机器人学习圈子里，长期存在一个有点“程序员味”的执念：能不能别让模型把每个动作都当成一行新代码来背，而是像人写程序一样，先把“拿起”“放下”“对齐”这类子技能抽成函数库，遇到新任务直接调用？
阿里7B开源原生音视频生成：2K级效果对战33B大模型
视频生成卷到今天，画面早就不稀奇了，但大部分模型要么不出声，要么声音是后期硬贴上去的。阿里DreamX团队直接把声音和画面“打包生成”，还只用了7B参数就敢对标22B/33B的大块头，并且开源了2K精炼器，值得想搞多模态生成的朋友细品。
1.7B探针当RL裁判，评分超8B还快10.7倍
大模型当裁判太烧钱？NYU和耶鲁的这项研究把奖励模型从8B干到了1.7B，评分更高还快10.7倍。用轻量探针从隐状态里挖信号，思路清奇又实用，做RL的朋友值得一看。
新范式！大模型自主设计质量多样性算法，机器人零干预学技能
想让机器人掌握一项新技能，传统做法是让专家手动设计各种评估函数和多样性指标，费时费力还经常翻车。这篇论文的思路很野：直接把自然语言任务描述丢给大模型，让大模型自己设计整套质量多样性算法的参数。结果如何？4个操作任务上生成的可用技能数量是专家方案的近70倍。
GPT-4o当裁判，Qwen2.5答得更靠谱，背后其实是一张评分表
奖励信号怎么给，才能让大模型在开放域问答里真正学会“有理有据、条理清晰”？苹果这篇最新论文把笼统的偏好打分换成了多维评分细则，效果直接涨了6.5%。路子够巧，值得一读。
少花10倍算力！ASIL让开源小模型操作软件涨14个点
当Claude Code、Codex在代码世界里大杀四方时，GUI软件依然是智能体的"最后屏障"。上海交大与BIGAI提出ASIL，用结构化JSON观测+语义化代码动作替代截图点击，让GPT-5.4在380个任务上拿下81.6%的成功率，而同样的任务截图控制只有6.6%。一句话操作就能完成截图控制15次点击都完不成的活，这可能是智能体交互的一次范式革命。
卢森堡大学新研究：太空机器人没奖励信号也能自学修复，60分钟见效果
太空机器人一旦硬件故障，传统强化学习就抓瞎——因为真空中根本算不出奖励信号。卢森堡大学这篇工作把世界模型玩出了新高度：预训练阶段把奖励函数"记住"在隐空间里，部署后冻结奖励预测器、只更新转移动力学，60分钟无监督数据就能让机器人自我修复。三大任务、代码开源、效果诚实不吹牛，值得一读。
强化学习｜攻击也嫌贵？理性DY攻击者模型让协议安全首次可判定
这可能是今年最值得安全协议研究人员读的一篇理论文：把干了四十年的Dolev-Yao攻击者从“能力模型”升级成“激励模型”，让攻击者学会算账，收益小于成本就不攻击。论文证明理性安全可判定，还给出了可计算的阈值，并在支付协议和ThreeBallot投票两个用例中展示了如何“用钱说话”。建议所有做安全协议验证、密码学形式化、投票方案的朋友都读一下。
