共计 81 篇文章
2026
NGU：把强化学习算力留给难题，为什么还要锚定正样本？
R-WoM：先查教程再想象，让电脑 Agent 在执行前比较动作后果
DynaWeb：先学会预测网页变化，再让 Agent 在想象中做强化学习
Agent-World：按 Agent 的失败原因，持续生成下一批训练环境与任务
AWM：让大模型造出可执行的世界，再用它训练 Agent
技术报告解读｜GPT-6 Astra：长程 Agent、对齐泛化与可监测性的矛盾
从 VLA 到 WAM：具身基础模型的代表方法，以及与 LLM、推理和强化学习的交叉
DASH：自蒸馏如何利用分歧序列调整监督权重？从反向递推到真实梯度
SOPD：不接管学生轨迹，如何用完整步骤修复 OPD 的碎片化监督？
RAGEN：多轮 Agent RL 为什么会崩溃？StarPO、Echo Trap 与推理退化