原力灵机推出的DW0.5具身世界模型，结合DFOL2.0框架，降低了60%的真机数据需求。DW0.5通过模拟动作后果与价值反馈，提升机器人在复杂环境中的学习能力，支持多模态输入，增强训练效率和成本效益。该模型在多个基准测试中表现优异，已实现闭环流程，未来将应用于具身智能领域。

本文介绍了一种名为“Focus-Then-Contact”（FTC）的强化学习方法，旨在提高机器人在接触密集任务中的学习效率。FTC结合了残差强化学习和基于关键帧的可供性引导奖励，通过人类干预优化策略，提升了机器人在真实环境中的操作能力，有效减少了稀疏奖励带来的学习困难，促进了更高效的在线学习。

本文分析了基于Graviton的Agentic RL沙盒层的成本优化，指出使用Graviton5的m9g实例可将沙盒层成本降低约41%。沙盒层在Agentic RL训练中是CPU密集型，与GPU训练并行，影响整体训练效率。基准测试显示，Graviton在处理高并发请求时性能显著优于Intel实例，整体迁移至Graviton可有效降低训练成本并提升性能。

AReaL 2.0 版本发布，旨在提升智能体在真实业务中的持续学习能力。通过记录任务交互，智能体能够在安全环境中优化模型，适应复杂变化的任务。该系统引入数据代理机制，确保数据安全管理。AReaL 项目由蚂蚁集团等发起，未来将继续推动智能体生态发展。

在具身智能领域，视觉-语言-动作（VLA）模型面临模仿学习导致的误差累积问题。华为云的HIL-ResRL方法通过人机协同和残差策略，提高了机器人在真实环境中的任务成功率，实验成功率超过95%。该方法无需重训练，适用于多种工业任务，并通过触觉反馈显著提高精度，展示了快速部署的潜力。

HIL-ResRL是一种即插即用的VLA工具，经过1小时微调后成功率超过95%。该技术在提升机器学习模型应用效率方面具有重要意义。

本文讨论了QGF（Q引导流）方法在强化学习中的应用，解决了扩散和流策略训练不稳定性的问题。通过预训练参考策略和价值函数，QGF利用价值梯度引导生成高价值动作，避免复杂的反向传播，从而提升策略的稳定性和可扩展性。

微软 AI 团队提出了「爬山机器」框架，并训练了参数达到 1T 的 MoE 模型 MAI-Thinking-1。该模型通过自适应熵控制的强化学习，在无第三方数据的情况下实现了长期稳定的性能增长，并在多个基准测试中取得领先水平。

TACK 是 AI Laboratory for Molecular Engineering 于 2026 年发布的一个标准化知识库数据集与基准测试集，旨在解决现有 PROTAC 机器学习基准中数据稀缺、缺乏严格评估及覆盖范围有限的问题，广泛应用于 PROTAC...

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。

Qwen系列模型最新升级为Qwen3-VL，在视觉理解和视频处理方面有显著提升。引入多维旋转位置编码（MRoPE）和DeepStack技术，增强了对复杂场景的推理能力，支持长文档和长视频处理，具备更高的上下文长度和精确的时间定位能力，推动多模态理解的进步。

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。

本文探讨了觉-语言-动作（VLA）模型在机器人学习中的应用，提出了一种视频生成式价值模型（ViVa），通过预测未来状态来改进价值估计。ViVa结合预训练的视频生成模型、当前观测和本体感知，评估任务进展，提升机器人在复杂环境中的操作能力。研究表明，该方法在真实世界任务中表现优越，能够有效跟踪任务进度并处理新颖物体。

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。

本文讨论了一种轻量级的在线强化学习方法，用于微调视觉-语言-动作模型。研究者通过引入“RL token”提高样本效率，使得模型能够快速适应真实世界任务。该方法结合冻结的VLA和小型actor-critic网络，优化关键任务阶段的表现，旨在实现高效的在线微调，同时保持泛化能力。

本文介绍了Ψ0模型，该模型结合大规模人类视频数据与真实机器人数据，训练出一种用于类人机器人灵巧运动的视觉-语言动作模型，能够有效提取运动先验，实现复杂的全身控制。

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。