共计 11 篇文章
2026
RAGEN：多轮 Agent RL 为什么会崩溃？StarPO、Echo Trap 与推理退化
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？
PlanPhys：长程规划从哪里来？预训练、OPD 与多教师蒸馏的能力边界
SMOPD 深度解读：多奖励强化学习的“先专门化，再蒸馏合并”
2026 年大模型 PPO：前沿进展、主流范式与论文地图
2026 Long-Horizon Agentic RL 与细粒度奖励：两条主线、一个交叉问题
TTPO：多数票不可靠时，如何在测试阶段继续训练模型？
HCAPO：用结局反看关键动作——长程 LLM Agent 的事后信用分配
Neural Thickets：预训练权重周围密集的任务专家
论文速读｜Youtu-Agent：自动化构建 + 混合策略优化的 LLM 智能体框架