Agent Lightning v1.0提出“框架原生智能体强化学习”范式，让部署时负责工具调用、上下文管理和流程控制的智能体框架直接参与模型后训练。实验显示，仅用6000个训练样本和有限算力，Qwen3.5-9B在SWE-bench Verified上的成绩从41.8%提升至56.4%。
阅读全文Hugging Face Daily Papers 收录的 DAPD 论文指出，在线自蒸馏中的性能退化并不只是训练技巧问题，而是教师与学生在可见信息上的不对称所致。论文提出双锚定策略蒸馏，用两层锚点缓解“特权幻觉”。
阅读全文SAF-OPD 关注一个训练大模型时常见但容易被低估的问题：可验证奖励强化学习与在线蒸馏各有优势，简单相加却可能让训练提前失去探索能力。论文提出的 SAF 通过调节教师信号的强度与时机，在数学推理和代码生成任务中带来更稳定的收益。
阅读全文南京大学团队提出 CSCR，试图修正长 CoT 强化学习中“把同一奖励平均分给所有 token”的粗粒度做法。论文指出，某些看似变化很大的 token 往往只是表层表达敏感，并不一定承载真正的推理价值。
阅读全文Rubric-based RL 正成为提升大模型开放式任务能力的重要路径，但它并不只是“探索不够”这么简单。论文提出 CriPO，通过在策略自身内部构造教师信号，同时处理未探索标准与被压制标准。
阅读全文这篇论文试图解决一个关键瓶颈：开放式写作、摘要等任务很难像数学和代码那样给出确定奖励。作者提出 RLSVR，通过任务转换构造“自可验证”奖励，让模型在无需人工偏好或额外裁判模型的情况下进行自我改进。
阅读全文NVIDIA 相关研究者提出 Molt，一个强调轻量、可读和可改造的 PyTorch 原生训练框架，目标是降低智能体强化学习研究中的工程摩擦。它用统一的异步训练循环支持多模态与 MoE 策略，并在匹配协议下与 Megatron 系栈表现相当。
阅读全文Qwen 相关团队提出 Skill Self-Play，用可验证的 agent 技能作为中间层，试图同时解决开放任务多样性与反馈可靠性之间的矛盾。该框架让出题者、解题者和技能控制器在强化学习循环中共同演化。
阅读全文这篇论文提出，RLVR 提升大模型推理能力时，权重奇异值谱几乎没有被重写，真正承载新能力的是输入与输出奇异向量框架的变化。基于这一观察，作者构建了固定谱的 ISO 优化栈，覆盖离线模型合并与在线训练优化。
阅读全文异步强化学习能提升吞吐，但 rollout 与训练之间的策略滞后会放大更新风险。SAT 试图把 PPO 的裁剪区间与样本陈旧度对齐，让高不匹配样本获得更保守的更新约束。
阅读全文这篇论文尝试把传统的“裁判式”反馈，升级为更高带宽的“教练式”经验知识。它的目标不是只给一个分数，而是把评估中的细粒度判断转化为可迁移的学习信号。
阅读全文这篇论文提出 Distilled Reinforcement Learning，将教师模型的细粒度偏好引入 LLM 后训练的策略梯度更新中，试图同时避开传统 RL 奖励稀疏和在线蒸馏盲目模仿的问题。
阅读全文GEPO 是对 GRPO 的轻量改造，核心不是简单压高熵或保低熵，而是按 prompt 分组的熵状态，去做更细粒度的优势项塑形。它试图解决混合任务训练中，不同题型探索需求不一致、导致统一熵控制失灵的问题。
阅读全文NAVER AI Lab 提出的 On-Policy Delta Distillation（OPD²）不再直接模仿教师模型完整输出，而是学习推理调优前后产生的能力增量。论文称，这一设计在数学、科学与代码推理任务上稳定优于传统在线策略蒸馏。
阅读全文SVR-R1 试图把推理时常见的自我检查，前移到强化学习训练循环中。它让视觉语言模型先回答、再给出 Yes/No 自判，并在否定时触发重新思考。
阅读全文这篇论文提出 Contrastive Policy Optimization（CPO），尝试解决 RLVR 中把熵当作优势塑形信号时无法区分“有益不确定性”和“有害混乱”的问题。它通过比较参考引导生成与普通生成的 token 级分布差异，为训练提供更接近正确性的信号。
阅读全文这篇论文把 Muon 从大规模预训练场景拉到稀疏奖励的智能体强化学习后训练中，发现它并非“换上就有效”，而是在特定优势估计方法和学习率设置下显著优于 AdamW。
阅读全文LongStraw 试图填补“百万级上下文推理”和“短上下文 RL 后训练”之间的断层。它通过拆分提示处理与响应分支回放，让长轨迹强化学习在固定 GPU 预算下具备更高执行可行性。
阅读全文