斯坦福团队的AgentFlow系统通过在线强化学习优化智能体，显著提升推理能力，超越GPT-4o等大型模型。该系统由四个专业智能体协作，实时优化决策，尤其在知识检索和智能体任务中提升超过14%，展示了模块化设计和动态学习的重要性。

本文提出了一种结合离线强化学习与在线强化学习的方法WSRL（Warm-start RL），旨在解决微调过程中的灾难性遗忘问题。WSRL通过在在线微调初期收集少量数据，有效利用预训练知识，提升微调效率和性能，避免依赖大量离线数据。

本研究探讨如何通过在线强化学习将大型语言模型（LLMs）与有效教育法对齐，提出的框架使LLMs成为有效的导师，提升教育质量，且无需人工注释，训练出的模型在教育效果上与更大规模模型相当。

本研究提出了一种新的在线强化学习框架RISE，旨在提升大型语言模型的自我验证能力和解题准确性，从而增强推理过程，推动智能推理系统的发展。

本研究提出Flow-GRPO方法，首次将在线强化学习应用于流匹配模型，有效提升文本到图像任务的生成准确性和人类偏好对齐效果。

本研究提出了一种在线强化学习框架，解决了图像编辑扩散模型在结构保持和用户提示语义对齐方面的挑战。该方法无需大量标注，能够在复杂场景中实现真实且一致的编辑，展现了在机器人仿真环境中的应用潜力。

DeepSeek与清华大学合作发布新论文，提出SPCT方法，通过在线强化学习优化奖励模型，解决通用领域的灵活性和准确性问题。同时，奥特曼宣布GPT-5将在几个月后发布，效果超出预期。

本研究提出了一种基于视频数据的价值函数，旨在解决在线强化学习中稀疏奖励导致的反馈不足问题。该方法利用多样的数据源，展现出良好的迁移效果和泛化能力，有望提升在线强化学习的效果与效率。

本研究提出了一种基于在线强化学习的动态权重调整机制，解决实时策略任务评估中的适应性问题，显著提升评估函数在规划算法中的效果，尤其在大地图下计算时间增长控制在6%以内。

本研究探讨了多模态大型语言模型在传统语言和视觉任务之外的应用，提出了一种将其转化为通用具身智能体的方法。研究表明，跨域数据和在线强化学习对构建通用智能体至关重要，最终模型在新任务上展现出强大的泛化能力。

本研究提出了一种无悔的在线强化学习算法，旨在为安全关键系统在未知动态环境中合成控制器。该算法能够有效评估学习过程中接近最佳行为的程度，显著提升基于线性时序逻辑（LTL）规范的任务学习性能与效率。

本研究探讨了在线强化学习中如何在学习未知环境的同时满足安全约束，提出了针对受约束线性二次调节器的后悔界限，表明安全性提升了探索机会。

本研究解决了文本到图像生成模型与人类偏好对齐的问题。通过在线强化学习和新颖的散度正则化方法，Diff-Instruct*显著提升了生成图像的真实感和美观度，超越了之前的领先模型。

本论文介绍了一种基于在线强化学习的细粒度反馈方法（RLFH），用于减轻大型语言模型在生成过程中的幻觉行为。实验结果显示，RLFH可以平衡大型语言模型在生成过程中使用内部知识的程度，从而消除幻觉行为。

本文提出了一种新的在线强化学习方法，通过使用多样的过去轨迹作为指导，使得算法更快、更高效。实验结果表明，该方法在多样化探索和避免局部最优方面优于基准方法。