上海交通大学与SII联合发布的DeepResearcher是首个在真实网络环境中通过强化学习训练的AI研究模型。该模型能够自主规划研究步骤、动态调整搜索策略并进行交叉验证，展现出人类研究者的复杂行为。DeepResearcher在多个问答数据集上表现优异，显著提升了研究效率，填补了开源Deep Research领域的空白。

该研究提出了一种新颖的概率性课程学习算法，旨在通过将复杂行为分解为简单子任务，提升强化学习代理在连续控制和导航任务中的学习能力。

本研究首次提供无模型强化学习智能体规划的机制性证据，展示其利用概念表示形成计划并预测行为的长期影响，推动相关研究进展。

厦门大学研究团队提出新算法CPPO（完成剪枝策略优化），旨在加速GRPO（组相对策略优化）训练。CPPO通过剪枝低优势的完成结果，减少计算量，提高训练效率。实验表明，CPPO在保持准确度的同时，训练速度比GRPO快8.32倍，具有良好的稳定性和收敛性，适合大规模推理模型训练。

本研究提出了SalesRLAgent，通过强化学习以序列决策方式进行销售转化预测，准确率达到96.7%，比传统方法提高34.7%，转化率提升43.2%。

本研究针对现有强化学习方法在复杂电网系统中的不足，提出了RL2Grid基准，以加速电网控制的进展。该方法结合电力系统操作人员的专业知识，标准化任务和奖励结构，评估主流强化学习算法的性能。研究表明，电网对强化学习方法的挑战需要新算法的支持，以应对现实世界的物理系统。

本研究针对文本到SQL转换任务中推理不足的问题，提出了一种专门针对该任务的部分奖励机制，以解决强化学习中的奖励稀疏性问题。通过引入模式链接、人工智能反馈、n-gram相似度和语法检查等奖励手段，我们的实验结果表明，使用该方法训练的模型在准确性和推理能力上超越了传统的监督微调方法，尤其在BIRD基准测试中表现优异。

本研究提出了一种新颖的方法，熵引导序列加权（EGSW），旨在通过根据生成输出的优势和熵动态分配权重来增强探索与利用之间的权衡。这种方法不仅提高了大语言模型微调中的样本效率，还有助于改善其他强化学习算法的应用效果。

本研究开发了一种基于大型语言模型的五子棋AI系统，模拟人类学习以提高棋步选择能力，解决非法落子问题，并通过并行评估减少处理时间。

本研究通过引入基于规则的强化学习，解决了多模态大语言模型在图形用户界面动作预测中的推理不足，显著提升了模型在多个任务上的准确性。