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。

于骞博士在慕尼黑汽车论坛上指出，世界模型与强化学习是实现物理AI的关键。轻舟智航通过百万台量产验证展示技术优势，计划与德国汽车工业深度融合，推动全球化布局。

RubiCap是一种新型强化学习框架，通过大型语言模型生成细致的奖励信号，有效解决图像字幕生成中的多样性和泛化问题。在CapArena和CaptionQA基准测试中表现优异，超越传统方法和人类专家注释。

本文探讨了一种双执行体强化学习框架，结合人类反馈优化视觉-语言-动作（VLA）模型。通过“对话与微调”机制，机器人在长时域操作中实现高效学习，成功率达到100%。该方法在多任务设置中展现出良好的样本效率和训练稳定性，适用于复杂的机器人操作任务。

多语言推理健身房是推理健身房的扩展，支持14种语言的可验证推理问题生成。我们翻译了94个任务模板，确保语言自然性。该平台可用于强化学习和评估，促进多语言推理模型的研究。

mAceReason-Math是一个高质量的多语言数学问题数据集，支持强化学习与可验证奖励（RLVR）研究。该数据集包含来自AceReason-Math语料库的挑战性数学问题翻译，覆盖14种语言，每种语言超过10,000个样本，旨在提升多语言RLVR的研究和基准测试。

该课程帮助学员定制大型语言模型（LLM），内容涵盖参数高效微调、强化学习、行业工具和多模态AI，适合希望深入了解AI系统的学习者。

KARL模型通过强化学习显著降低了推理成本和延迟，同时提升了质量，适用于Databricks客户，帮助他们创建定制的RL模型，尤其在处理复杂问题时表现优异。

DeepMind 的 AlphaEvolve 系统通过 LLM 驱动的进化编码代理，自动发现新的多智能体强化学习算法，突破了传统依赖人类直觉的设计瓶颈。核心成果 VAD-CFR 和 SHOR-PSRO 展示了 LLM 在算法创造中的潜力，推动了 AI 自主发现算法的发展。

本文探讨了大语言模型（LLMs）生成幻觉内容的问题，提出了RL4HS强化学习框架，通过跨度级奖励函数提高幻觉检测的准确性。研究表明，链式思维（CoT）推理能有效识别幻觉内容，RL4HS在RAGTruth基准测试中优于传统模型，强调了强化学习在幻觉检测中的重要性。