Cursor发布的Composer 2.5模型通过扩大训练规模、改进强化学习和引入文本反馈，效率提升10倍，能够处理长达几十万个词的任务。与SpaceXAI合作提供强大算力，使模型更智能、顺从，用户反馈积极，显示出市场需求。

PRISM团队的研究表明，监督微调（SFT）并未促进强化学习（RL），反而可能导致模型性能下降。研究提出了SFT、分布对齐和RL的三阶段流程，强调在多模态模型中，SFT引入的分布偏差需要单独处理。通过对抗博弈对齐分布，PRISM显著提升了模型在推理任务上的表现，修复了SFT的副作用。

NVIDIA与Ineffable Intelligence合作，开发支持大规模强化学习的基础设施，旨在推动AI通过经验学习和发现新知识。该合作将探索新一代硬件和软件，以促进AI在复杂环境中的应用。

LaST-R1是一种新型机器人强化学习框架，通过隐空间中的物理推理优化机器人的思考和动作。该方法结合LAPO算法，使机器人在执行动作前进行推理，从而提高在复杂环境中的适应能力和成功率。实验结果显示，LaST-R1在仿真和实际任务中均表现优异，成功率显著提升，标志着机器人从“模仿”向“理解”迈进。

本文介绍了一种名为BalCapRL的平衡强化学习框架，旨在优化多模态大语言模型的图像描述。该框架通过奖励解耦归一化和长度条件奖励掩蔽，显著提升了描述的实用性、覆盖率和语言质量，克服了现有方法在描述质量上的局限性，多个模型的性能均有显著提高。

启发式学习（HL）是一种新型强化学习方法，成功在Atari游戏中取得高分。HL通过代码编辑替代梯度更新，实现显式决策逻辑，克服了深度强化学习的灾难性遗忘和不可解释性问题，尤其在复杂控制场景中表现出强适应能力。未来，HL与神经网络的结合将推动在线学习与持续学习的发展。

在红杉AI Ascent 2026大会上，Jim Fan宣布VLA和遥操作已不再适用，未来将依赖世界动作模型（WAM）和人类传感器数据。新范式通过模拟物理世界状态和动作微调，结合强化学习，推动机器人技术进步。EgoScale和Dream Zero等新策略将提升机器人在各种任务中的灵活性和自主性，预示着机器人行业的重大变革。

本文讨论了在真实世界中部署通用机器人策略的挑战，提出了一种名为“部署中学习”（LWD）的框架，通过车队规模的离线到在线强化学习（RL）实现策略的持续改进。该方法结合离线数据和在线交互，利用多样化的部署经验，优化策略以适应新任务和环境。作者提出的分布式隐式价值学习（DIVL）和带有伴随匹配的Q学习（QAM）技术，旨在提高策略的稳定性和泛化能力，实现高效的后训练。

本文提出了直接引导优化（DSO），通过强化学习调整模型激活，以减轻偏见并保持模型性能。研究表明，DSO在公平性与能力之间实现了最佳平衡，优于传统启发式方法。

研究者提出了优势奖励建模（ARM）框架，以解决长时间跨度机器人任务中的稀疏奖励问题。ARM通过三态标注策略（前进、后退、停滞）降低人类标注负担，并自动生成进度标注。在毛巾折叠任务中，该方法实现了99.4%的成功率，显著提高了强化学习的效率和稳定性。

本文探讨了人形机器人在“行走-操作”任务中的挑战，提出了一种集成式全身操控系统，结合强化学习、VR遥操作和触觉感知。研究者开发了具身触觉梦境的Transformer（HTD），通过多模态学习提升机器人对接触状态的理解和反应能力，简化了学习过程，旨在提高人形机器人的操作能力和灵活性。

麻省理工学院的研究人员开发了一种新训练方法“带校准奖励的强化学习”（RLCR），该方法提高了AI模型的信心估计准确性，减少了90%的校准误差，同时保持或提升了准确性。通过惩罚模型的自信错误回答，促使模型在回答问题时考虑不确定性，适用于医疗、金融等领域，提升了AI输出的可靠性。

浙江大学和上海人工智能实验室提出的IBISAgent框架，将医学图像分割重新定义为多步视觉决策过程，克服了现有方法的局限。通过冷启动和强化学习，IBISAgent在多个基准测试中显著提升了分割性能，展示了自主多轮交互推理的优势，为智能医学图像分析奠定了基础。

ClawGUI是一个开源框架，旨在解决GUI智能体的训练、评测和部署问题。它通过在线强化学习与真实设备交互，提升模型性能。ClawGUI-2B在MobileWorld基准上取得17.1 SR的成绩，显著超越基线，并支持自然语言控制手机，推动GUI智能体的实际应用。

刘壮和陈丹琦团队推出了开源视觉推理强化学习框架Vero，支持多种视觉任务，克服了单一任务训练的局限性。Vero通过600K高质量样本和任务路由奖励机制，在多项基准测试中超越现有模型，展示了广泛数据对视觉推理的促进作用。

本文探讨了强化学习中的熵保持问题，指出许多策略梯度算法在训练过程中自然降低熵，限制了探索能力。作者建议主动监控和控制熵，并提出了REPO和ADAPO等算法以调节熵，从而保持模型多样性，提高策略的性能和适应性。

MetaClaw是一种智能体系统，通过规则注入和强化学习实现自我进化。它在真实环境中学习，记录互动并总结经验，以提升性能。系统分层处理规则，确保高效学习，避免旧数据干扰。MetaClaw能够在用户不知情的情况下持续进化，逐渐成为更可靠的助手，展现出巨大潜力。

Momenta推出R7大模型，利用世界模型增强AI对物理世界的理解。CEO曹旭东表示，传统模仿学习无法超越人类，转向强化学习是关键。Momenta强调算法架构和数据的重要性，传感器排在第三位。