共计 6 篇文章

---

2026

09-08

OPDVR：用答案正确性过滤蒸馏信号，如何把 OPD 与可验证奖励结合？

09-07

SMOPD 深度解读：多奖励强化学习的“先专门化，再蒸馏合并”

09-01

2026 年大模型 PPO：前沿进展、主流范式与论文地图

08-20

EFCA：把环境反馈变成多时间尺度信用——长程 Agent 的轻量 return 重加权

08-20

TRIAGE：给 Agent 动作标注语义角色——修正成功中的倒退与失败中的探索

04-01

论文速读｜OpenClaw-RL：用对话训练任意 AI 智能体