**TLDR：**系统综述面向LRM的强化学习：梳理奖励设计（可验证/生成/稠密/无监督）、策略优化（PG/critic/离线/正则）、采样策略与训练资源，回顾自DeepSeek-R1以来的应用进展，并提出持续/记忆/模型驱动等未来方向与可扩展性挑战。
**TLDR：**提出将“解答汇聚”本身作为可学习的推理技能：先生成多解，再用AggLM在可验证奖励下经RL整合纠错与合并步骤；在数学基准上优于多数投票和打分选择，且更节省tokens，表明多数并非总是最佳。
**TLDR：**系统研究多智能体辩论的失效情形：异质能力或较弱代理的加入常使准确率随回合增加而下降；弱者会扰乱强者，过长讨论也会退化。论文刻画影响因素并提示需谨慎设计辩论与激励以抑制随从式错误。
**TLDR：**提出统一的交互式RL框架AgentGym-RL与逐步扩展交互回合的ScalingInter-RL，用于从零训练多轮决策型LLM代理；覆盖多场景并支持主流算法，在27项任务上与商用模型相当或更优，计划开源代码与数据。
**TLDR：**提出原生并行思考（ParaThinker）：让模型同步生成多条推理路径并聚合为更优答案，绕开顺序推理的“隧道视野”瓶颈；在推理基准上显著提升准确率且延迟开销小，揭示“宽度”优于单纯“深度”的测试时扩展范式。
提出ACE-RL：将指令分解为可验证的细粒度约束，按满足度构造奖励并用RL优化长文生成，无需偏好对比数据。WritingBench上较SFT/RL分别提升20.7%/7.3%，并在多场景写作超过GPT-4o，显著提升长文质量与一致性。
面向RAG推理提出REFRAG解码：以预计算压缩块嵌入替代原始检索token，利用稀疏注意力结构“压缩-感知-扩展”以降KV与TTFT开销；在多任务中保持精度的同时将首token时延提速30.85×（较前作3.75×），并将上下文扩展至16×。
实证揭示RL微调LLM的“两阶段”层级推理：先巩固低层执行，再转向高层策略规划；据此提出HICRA，将优化聚焦于高影响规划token，并以语义熵作为探索指针。方法在多基准超越GRPO等强基线，解释“aha”与“长度扩展”等现象。
针对VLA高成本，提出VLA-Adapter：系统分析感知-动作桥接条件，并以Bridge Attention在策略侧自适应注入最佳条件；仅0.5B骨干、无需机器人预训练即可达SOTA且推理更快；单张消费级GPU 8小时可训练强力VLA，显著降低门槛。
提出去中心化异步后训练算法SAPO：各节点保有自策略，跨节点共享并采样回合以实现“经验共享”，无需同步与同构假设；在受控实验中累计奖励提升最高94%，并展示真实大规模测试网的可行性与扩展性。
**Authours:** Tong Zheng, (not listed) **TLDR：** 提出用于激发并内化“并行思维”的RL框架Parallel-R1：先在易题用SFT灌输格式，再在难题用RL探索，并通过交替奖励在准确率与结构并行间折中；在MATH/AMC/AIME上显著提升，并观察训练策略由“探索”转向“验证”。
**Authours:** Haozhan Li, Ning Ding **TLDR：** 面向机器人VLA，基于veRL构建高效在线RL：并行多环境渲染、VLA特定轨迹采样与优化，使OpenVLA-OFT在LIBERO与RoboTwin上超越SFT，并在真实任务中更稳健；同时报告训练中涌现的“pushcut”新动作模式。
**Authours:** Jiawei Wang, Yang Wang **TLDR：** 提出熵调制策略梯度（EMPG）：按每步不确定性缩放梯度——放大全对的自信动作、强惩自信错误、减弱高熵探索噪声，并引入“未来清晰度”奖励引导可预测轨迹；在WebShop、ALFWorld、Deep Search显著优于强基线。
**Authours:** Sergey Pletenev, Sergey Pletenev **TLDR：** 探索用LLM从中性文本合成“有毒”数据以训练去毒化模型。结果显示纯合成数据导致明显降级，根因是词汇多样性匮乏：模型复用少数脏词，难以覆盖人类毒性语言的细粒度变化；当前仍需依赖人工标注数据。
**Authours:** Haozhe Wang, Ge Zhang **TLDR：** 提出REER：从高质量开放式答案出发，反向搜索能解释它的分步思考轨迹，以梯度无关方式规模化合成“深思”数据。构建DeepWriting-20K并训练DeepWriter-8B，在多项写作基准上接近或部分超越商用模型，证明无需RL/蒸馏亦可习得深推理。