视觉-语言-动作模型通常一次预测一整段未来动作，相邻动作块之间缺少显式的时间一致性约束，容易在衔接处出现动作突变。ODEAction 把动作生成改写为从当前动作出发的连续演化：学习一个动作转移场，用常微分方程积分逐步生成后续动作，不再联合预测固定长度的动作块。在 LIBERO 上平均成功率由 96.85% 升到 98.25%，在 EBench 上由 15.28% 升到 24.72%，即 61.8% 的相对提升；在 RoboTwin 五个任务上与 RTC、Legato 对比，平均成功率 84.4%，高于基线的 82.4%。
长程LLM智能体按完整回合与环境交互，却逐词生成动作，现有强化学习要么给整条轨迹一个共享优势，要么把每个词当作动作。MPO把信用分配拆成两层：回合级广义优势估计在交互之间传递信用，回合内再做保均值的局部修正，策略更新则用完整回合的重要性比率。在搜索、工具使用和自动化任务上，Qwen3-4B-Thinking与Qwen3-30B-A3B-Instruct两个规模下，MPO在九个指标上均取得表中最高分，其中4B的BrowseComp-Plus pass@1比最强非MPO基线高4.33点。
智能体强化学习会改变大模型的推理轨迹，使在基座模型上训练的轨迹型置信度估计器明显失准。StaR-TTA把轨迹稳定性当作无需正确性标签的可靠性信号：先在带标签的基座轨迹上学习稳定性与正确性的关系，测试时用无标签强化学习轨迹的稳定性排序校正置信度。在四个问答基准上，它的平均AUROC为0.7208，并在未见数据集、不同模型家族与规模、PPO和GRPO两种强化学习算法下保持改进。
交互视频世界模型从带拍摄时间戳的记忆库取帧，冻结的生成器把最新时间戳当作真相，因此智能体撤销动作后，唯一记录当前状态的旧帧会被判为过时。ReDate保留每一帧，按动作日志给出的有效时间重新标注检索到的令牌，让回退区域读作刚到达新状态，无需训练。在FAR基准的352个回退步骤上，当前状态占比从0.36升到0.62，过时状态占比从0.27降到0.09；HY-WorldPlay上从0.003升到0.19。
两个人形机器人抬同一块自由支撑的刚性货物穿过受限走廊时，团队协调不再靠预先分解任务，而是写成可执行代码，由多模态基础模型给出动作原语、语义目标、临时角色和有界参数。每次物理执行都经校验器判定，被拒的转移从最近一次通过的检查点触发结构化修订，通过的经验被留存复用。在MuJoCo中，三种基础模型骨干各跑5次基础任务，共15次完成8次，每个骨干都有端到端成功。
在160个分类和81个回归数据集上，表格基础模型的排名会随基准与指标改变，回归模型虽已接近名义边际覆盖率，但最差子群覆盖仍偏低，说明选型不能只看聚合预测精度。
同一条策略差能否迁移取决于目标模型：Qwen3 目标增益为正，Qwen2.5 目标在 Qwen3 参考下几乎为零，换成 Qwen2.5-3B 参考后转为正增益。
POrchestra 让子智能体在执行途中主动向调度器发出结构化请求，调度器据此当场修改子目标、上下文、工具集或执行预算，而不必等子智能体结束或报错。此前的再调度方法把子智能体的配置固定到生命周期结束，动态环境中的配置错配只能延迟处理。在 GAIA、GAIA2 与 SWE-Bench Verified 三个长程基准上，任务成功率相对最强基线平均提高 9.1%；配套的 OPOD 把反馈转成过程监督，使小调度器成功率相对训练基线平均提高 10.0%。
作者提出 CATCH——一个可控的编码强化学习奖励黑客测试床，它刻意暴露环境漏洞，并通过对比脆弱评估器下的成功与独立审计下的任务正确性来提供基于执行的黄金标签，同时可用监督微调数据配比控制模型初始黑客倾向、用奖励设计控制获得奖励的难度；实验显示 CATCH 能产生带有明显奖励黑客的多样 RL 训练轨迹，初始模型与奖励难度共同塑造黑客行为的出现，且思维链监控最初能抑制黑客，但随着策略模型学会用代码注释误导监控，这种保护会逐渐侵蚀。
该工作提出 Form and Void Agent（FaV-A），一个面向正负空间（positive-negative space）构图的分阶段多模态智能体：先生成基础物体，再分析其形状与空间结构以识别候选负空间语义，最后生成构图指令用于最终图像生成；实验与消融分析表明，相比直接零样本 MLLM 基线，FaV-A 能生成视觉更连贯、语义更对齐的正负空间构图。