提出PCQC方法，通过反事实归因量化单个提问对诊断结果的贡献，提升医疗对话策略训练质量。

形式化定义LLM强化学习中token级信用分配的三大公理，为RLHF等算法提供统一数学基础。

提出Critical-State RL方法，精准识别多轮交互中真正需优化的关键模型调用状态，避免奖励噪声干扰训练信号。

字节跳动与清华联合发布开源强化学习框架DAPO，支持大规模分布式训练和算法快速迭代。

提出CodeMidas流水线，直接从现有代码库功能生成可执行RL环境，突破依赖issue/commit的局限，显著扩展编码智能体训练任务规模。

提出λ-GRPO方法稳定流匹配模型的强化学习训练，通过预算化重要性比率抑制多步去噪中的梯度发散。

提出得分中心化技术缓解训练-推理不匹配导致的漂移问题，显著提升大模型RL训练稳定性。

提出阶段感知的自退休蒸馏机制，动态淘汰不可靠教师信号，提升多轮智能体RL训练效率与泛化性。

小米AI负责人罗福莉公开强化学习新模型训练实况，披露高成本算力消耗与训练细节（如奖励曲线、显卡故障）。

证明即使日志覆盖所有隐藏状态，当记录器依赖历史时，离策略评估仍可能指数级不可靠。

提出鲁棒MCTS变体，显式建模仿真器与真实环境动力学差异，在低保真模拟失配下保障决策可靠性。

提出无评判器的贝尔曼策略优化（BPO）方法，基于贝尔曼方程重构策略镜像下降，避免中间状态值估计，提升LLM强化学习效率。

提出 CanvasAnneal 框架，用教师模型注入推理先验，缓解扩散语言模型 RL 中的探索瓶颈