搜索
短到长：分离特征用于长时程价值学习
论文提出Short-to-Long，让较小折扣源网络训练特征并供给长时程行为学习器，分离连接避免行为损失更新源网络。实验覆盖Atari与在线、离线连续控制，57款Atari中40款配对终局中位数提升。价格、参数与国内可用性未知。
2 分钟前动态SARL：训练期自我评估提升检索搜索状态感知
检索增强搜索智能体常缺乏状态感知，易出现幻觉推理或过早停止检索。SARL以训练期自我评估强化学习识别已获与缺失信息，测试时不需额外评估。双重奖励兼顾纠偏并抑制过度依赖。相较最强基线相对提升24.3%，多跳推理与深度研究平均增益分别为35.9%和27.9%。
3 分钟前动态自我奖励道德论证让语言模型更果断，却未必判断更有效
研究人员以自我评判的论证锦标赛训练语言模型，使其道德选择更果断且不受选项顺序影响。外部基准显示迎合与改写问题仍在，消融实验也未证明判断本身更有效。结论是：顺序一致性可以被优化，却不等于道德判断有效。
5 分钟前动态MPBRS提出人形运动统一奖励配置，九款机器人共用同一权重
人形机器人强化学习的奖励设计长期依赖逐机调参。一篇2026年10月提交的论文提出MPBRS，用多势函数差分塑造奖励，并在九款人形机器人上共用同一套奖励结构与权重，仅替换关节、连杆映射和默认姿态等元数据。实验称其缩放更稳定、对权重更不敏感，且不改变最优策略。价格与国内可用性未知。
5 分钟前动态最小编辑蒸馏：不靠推理时图描述提升视觉数学推理
视觉数学推理常因模型误读图形而从错误前提出发。一篇新论文提出最小编辑式在线策略蒸馏：训练时用参考图描述和已验证解答，仅对教师不认可的词元施加纠正损失，正确轨迹则用任务奖励强化学习。推理阶段无需额外图描述，效果可达到或超过推理时提供参考描述的基座模型。
6 分钟前动态RIPPLE用过程级策略学习缩小编程智能体纠偏缺口
RIPPLE针对长程编程智能体批评后仍沿错误轨迹的问题，提出过程级恢复训练：前缀教师提供证据化监督，蒸馏后用分阶段信用强化反思、诊断与纠正。四项仓库级基准算术平均提升4.8分，部署无需辅助评论器。代码、价格和国内可用性未知。
18 分钟前动态奖励加权偏好优化提升选择性组合优化
2026年10月提出奖励加权偏好优化（RWPO），面向需挑选元素的选择性组合优化。它按归一化奖励差加权成对偏好损失，并结合尺度微调与倾斜采样，无需局部搜索。实验覆盖定向、奖赏收集旅行商、随机版本和背包问题；定向问题100至2000节点平均奖励超过Compass。价格与国内可用性未知。
19 分钟前动态论文提出以语义对应揭示神经流形的共享几何
Valentino Maiorca于2026年10月22日提交的人工智能论文指出，语义对应可打破实现选择的对称性，揭示独立训练模型在不兼容坐标下共享的内在几何，并支撑零样本模型转换。十四项工作覆盖视觉、语言、强化学习与人脑成像。价格、参数及国内可用性未知。
27 分钟前动态SPLICE：用一致性正则化推动智能体知识与模型协同演化
SPLICE是面向智能体的知识—模型协同演化框架，用一致性正则化筛选同一经验在不同分析视角下的共同效用增益，再以自蒸馏和强化学习内化知识。实验中平均准确率较两类基线最高提升7.1与4.6个百分点，正确解答输出token最多减少44%。价格、具体参数和国内可用性未知。
29 分钟前动态导论论文梳理面向通用智能体的世界模型
2026年10月提交的导论论文试图澄清世界模型的松散定义。它从部分可观测马尔可夫决策过程出发，连接经典控制、动力系统、信号处理与强化学习，比较不同建模所捕获的知识、学习目标及对决策的支持，并提出用条件预测统一世界建模与策略学习。文章聚焦基本原理而非全面综述。
29 分钟前动态SpecMAGIC：规格引导的多智能体强化学习零样本多任务泛化
多智能体强化学习长期缺少跨复杂协作任务的泛化能力。SpecMAGIC结合时序逻辑规格与协作算子，由集中式高层规划器分解并分配子任务，分散式底层策略无需重训即可零样本组合新任务。多智能体导航实验显示，其在未见规格上明显优于现有方法，且智能体增多时性能仍较稳。
34 分钟前动态PrismaCoder发布9B与35B，以评分标准管线推进开源多模态代码智能
论文介绍PrismaForge：以可分解评分标准同时过滤多模态代码数据并作为强化学习奖励，据此构建最大开放数据集PrismaCoder-2M，并发布9B与35B模型。作者称其在图表、网页和半结构化文档上大幅领先开源模型，可媲美闭源系统。价格、国内可用性及细项参数未知。
50 分钟前动态RSIPO提出技能与策略协同进化的自改进智能体强化学习
RSIPO是一种自进化智能体强化学习框架，让策略从完成轨迹中抽取技能并与策略共同进化，同时用经验贝叶斯收缩校准对教师打分的信任。以Qwen2.5-7B为基座，其在ALFWorld上平均成功率达98.6%，较次优基线高2.5个百分点，较标准GRPO高17.4个百分点。代码、价格与国内可用性未知。
52 分钟前动态StartLux-Decision发布自适应决策模型，不确定时才推理
StartLux-Decision推出0.8B至27B决策模型：Instant单次预测，AutoThink只在不确定时推理。RLCD²最多将限内结束比例提高48个百分点，平均推理长度最多缩短65%。27B AutoThink在Decision Index公开子集达73.4。价格与国内可用性未知。
53 分钟前动态Ornith-1.5-122B发布：面向单卡部署的自改进多模态MoE
Ornith-1.5-122B是1220亿参数混合专家多模态模型，在Ornith-1.0基础上把自改进从脚手架与采样扩展到任务生成、策略发现和强化学习。模型卡称其可在单张80GB显卡部署，并给出多项编程、推理与智能体基准。价格与国内可用性未知。
1 小时前动态微软亚研开源Agent Lightning v1.0：真实智能体框架直接参与强化学习
微软亚洲研究院开源Agent Lightning v1.0，约3500行实现Harnessed Agentic RL。部署中的真实智能体经LLM代理直接参与训练，无需重写。约6000条样本使Qwen3.5-9B的SWE-bench Pass@1从41.8%升至56.4%。国内可用性与价格未知。
1 小时前动态StudentSim：用个性化学生模拟器先评估AI导师
StudentSim是一项研究系统，依据公开、去标识的学习者记录训练个性化学生模拟器，覆盖国际象棋、二语英语写作和数学，并在接触真实学习者前为AI导师提供反馈。系统不是产品、未进课堂、不替代教师。价格与国内可用性未知。
1 小时前动态微软把业务数据库核验变成训练奖励，提高智能体重复成功率
ThinkingBox-Training 用任务结束后的数据库状态作为强化学习奖励，并在训练外的 507 项业务任务上复测。博文报告 Qwen3.8-27B 平均成功率从 51.70% 升至 60.78%，但至少成功一次的任务覆盖略降，说明可靠性与广度需同时观察。训练奖励来自可执行核验。
20 小时前动态微信视觉模型统一检测、文字识别、分割与精细抠图
WeVisOne-VL 将目标级与像素级感知接入同一个视觉语言模型，可按用户要求输出点、框、掩码或透明度图。团队通过三阶段监督训练和混合任务强化学习，在三十多项基准上检查能力，也强调不存在目标时应正确拒绝定位。
1 天前动态英伟达发布多模态Nemotron，面向专用智能体
NVIDIA发布Nemotron 3.5 Super VL，将推理、工具调用和文本、图片、文档、视频理解放入同一模型。它采用1200亿总参数、120亿激活参数的混合专家结构，并提供NeMo定制路线及配套开放数据，适合针对业务流程后训练。
2026年10月16日