研究提出文档驱动的想法生成任务，要求模型基于论文产出高质量且彼此不同的想法集合。方法采用集合级强化学习目标，在一次生成中写出K个结构化想法卡片，并按与先前想法的距离加权质量联合打分，促使新想法远离已有想法。8B模型在无污染基准上的创意效用超过Claude Opus 4.8与GPT-6 Astra，专家评估与后者相当，且想法可执行性未下降。

#llm #reinforcement-learning

已过时译

AgentHugging Face Papers4 天前

MLExpert：面向自主机器学习工程的通用智能体模型

论文提出面向长周期机器学习工程优化的后训练方法，训练出35B MoE智能体模型MLExpert，通过分层智能体SFT与窗口交互强化学习，在MLE-Bench Lite上将奖牌率从37.9%提升至72.7%，接近更大前沿模型水平。

#agent #llm

已过时译★ 23

具身智能Hugging Face Papers4 天前

CoDA：数据引擎与动作策略协同进化

CoDA让生成式仿真数据引擎与机器人动作策略通过共享异构记忆协同进化，用视觉语言评论器诊断策略失败并生成针对性训练程序，配合Text2potential提供稠密监督。在四类操作任务上分布外成功率从5.3%提升至27.6%，LIBERO-Pro上位置扰动成功率由25%升至84%。

#robotics #simulation

已过时译★ 5

具身智能arXiv cs.RO4 天前

Manifold Generative Annealing for Contact Constraint-aware Impedance Control with Reinforcement Learning Prior

提出流形生成退火（MGA）框架，将预训练强化学习策略组织为结构化序列提案，再通过基于模型的推演进行细化与选择，并利用实现感知的流形细化对齐任务约束与局部可达物理响应。该方法面向接触丰富的机器人任务，在表面扫描、插孔与人形推挤实验中提升了阻抗控制在标称与传感偏移下的安全成功率。

#robotics #reinforcement-learning

已过时译

具身智能arXiv cs.RO4 天前

SOMA: Stack-of-Objects Manipulation using a Quadruped Robot

SOMA 提出分层强化学习框架，让无专用机械臂的四足机器人用全身非抓取方式推动多层物体堆叠。高层策略用 S5 编码器做长时序推理并输出目标指令，低层运动策略动态调整腿部站姿，并显式控制机身高度实现三维推运。仿真单物体重定位成功率 90.3%，双箱堆叠达 90.1%，并在 Unitree Go1 上完成零样本 sim-to-real 验证。

#robotics #reinforcement-learning

已过时译

具身智能arXiv cs.RO4 天前

Race to Recovery: Designing Advanced Safety Systems for Autonomous Driving via Learning Autonomous Racing

该研究用强化学习先训练赛车漂移策略，再迁移到车辆失稳恢复任务，并定义基于相平面的稳定平衡态与 Gym-Khana 评测环境。在 294 个失控状态下恢复率较 Stanley 提升 186.8%，优于 NMPC 与从零训练策略，并在 1:10 F1TENTH 实车上验证，为自动驾驶极限安全系统提供新思路。

#autonomous-driving #reinforcement-learning

已过时译

具身智能arXiv cs.RO4 天前

Persistent Profile-Guided Reset-Free Recovery Improves Final Gait Selection after Irreversible Leg Damage

提出持久化剖面引导的无重置恢复方法 PGRR，通过预测多次步态执行的多种结果并用保守不确定性估计指导在线探测，避免重置机器人。在 108 个 MuJoCo 腿部截肢、骨折、关节锁死任务中，最终步态质量提升 0.106，低质量失败率降低 27.8 个百分点，为无重置损伤恢复评估提供新证据。

#robotics #reinforcement-learning

已过时译

行业落地arXiv cs.AI4 天前

Deep Reinforcement Learning for HPC Job Scheduling: A Statistical Evaluation

该论文用统计框架评估六种深度强化学习（PPO/A2C/DQN，含/不含动作掩码）在真实 Slurm HPC 作业调度中的表现，并加入掩码随机对照。结果显示同构负载下掩码DRL未显著优于对照，异构负载下MaskablePPO三项指标均改善，最大有界减速比LCFS低22%。强调需用掩码随机基线区分'能跑完'与真实调度收益。

#reinforcement-learning #hpc

已过时译

AgentarXiv cs.AI4 天前

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

MAI-Gym 是面向 GUI 智能体的开源一体化平台，统一移动端、桌面与网页环境的评测、数据采集和在线 RL 训练，支持万级并行环境与自动合成可验证任务。其训练的 9B 模型在 MobileWorld 与 OSWorld 上达开源同规模最优，且模拟应用训练可迁移到真机，显著降低 GUI 智能体训练成本。

#gui-agent #reinforcement-learning

已过时译

大模型arXiv cs.AI4 天前

When Reality Outpaces Cognition: A New Scaling Principle for Reliable Intelligence

论文提出「有效连贯认知速度」S_C^eff 这一新指标，衡量现实变化速度超过系统认知能力时智能体能否保持可靠行为。作者在固定算力下将现实速度提升至50倍测试强化学习智能体，发现受细胞机制启发的 Co^4 架构显著优于 Transformer 和门控 MLP 基线，为可靠 AI 提供新基准与扩展原则。

#reinforcement-learning #world-models

已过时译