临床多轮智能体的奖励设计：只奖励最终结果会缩短问诊，给提问密集记分才稳住高危病例
临床多轮智能体要在信息不全时决定问什么、何时停、做什么。研究在药物续方分诊、急性诊断检查、抗凝滴定三个可控模拟环境中比较奖励设计：只按最终结果给分的GRPO常靠少问问题抬高平均收益，却出现过早决策和高危病例退化；在诊断任务中，对降低隐藏状态不确定性的提问额外记分，三个训练种子下留出价值与中等病例支持均提高，且未出现只按结果训练时的高危种子崩塌。
让智能体自己试数据配方：数学与代码筛选策略在固定训练下最高涨13.34%
智能体用实验反馈迭代数据工程策略，在数学与代码数据筛选、数学奖励设计和数学课程学习四类任务上，选出的策略在固定训练条件下于AIME25 Pass@32最高比通用基线绝对提升13.34%。
机器人奖励不再被灯光和机位带偏：把任务相关动态从视频里拆出来，MetaWorld成功率94.3%
DiTaR把视频奖励建在任务相关潜动态上，MetaWorld-v3最终成功率94.3%，高于最强视频奖励基线ReWiND的65.2%，并在真实机器人离线强化学习中把成功率从43.3%提到83.3%。
RNA逆向设计不再逐个骨架重训：共享策略一次后训练，配对MCC从0.61升到0.73
结构条件RNA逆向设计此前要么为每个目标骨架单独训练策略，要么依赖离线偏好优化，可复用的骨架条件模型缺少在线后训练。MORAD把六个设计测量映射到有界合意分数，用加权几何平均合成奖励，再以组相对归一化驱动扩散模型的前向过程更新。在153个评测目标上，它把GDT-TS从0.3300提到0.3827、配对MCC从0.6110提到0.7295，并把归一化系综缺陷从0.3906降到0.2830。
检索信用如何分配决定搜索智能体训练收益：局部信用让Qwen3-4B平均F1从51.25升至54.34
该研究构建了带中间证据标注的语料接地问答数据，比较三种检索信号（证据覆盖Cov、带依赖覆盖Cov-Dep、答案匹配AM）在标量奖励加成与动作对齐局部信用两种分配方式下的效果，用Qwen3-4B在七个问答基准上训练，发现局部信用优于标量，Cov-local平均F1达54.34，高于仅用结果奖励的51.25。
BIRD 统一评测迭代奖励设计：简单设计选择最稳健，ERA-U/ERA-S 在匹配预算下排名前二
作者提出 BIRD，把 14 个已发表的迭代奖励设计（IRD）方法统一表示为同一循环的配置，在 MuJoCo、Meta-World、Assistax 和 HumanoidBench 上以匹配的反馈条件与策略训练预算比较 6 个已发表方法并消融 30 个设计选择，发现多数设计选择（包括作者自己的提案）效果很小或不确定，而少数简单选择（如贪心保留检查点、摘要化反馈）稳定有效；据此从 RDA 出发做小规模爬山得到 ERA-U 与 ERA-S，二者在 Bradley–Terry 汇总排名中分列第一、第二，但小规模人类评分显示基准分数高并不等于行为自然。
X-Tree 把轨迹中的可复用技能挖成树，在 WebArena、ScienceWorld、WebShop 上以同等数据与预算把成功率最多提高 4.5%、5.8% 和 4.1%
该工作提出 X-Tree：先用规范化把每个动作变成 typed token（如 type⟨date⟩、click⟨button⟩），再用 X-Score（按复现频率、跨度长度、出现在成功回合中的比例打分）递归合并相邻动作对，从轨迹池中确定性地挖出一棵可复用经验树，全程零 LLM 调用；随后把 X-Tree 接入三种训练方式——离线 RL（每个节点作为一个训练实例，用步匹配奖励加深度缩放完成奖励）、在线 RLVR（自适应技能奖励，验证器信号稀缺时给分、变密时退火）、以及 on-policy 自蒸馏（把 X-Tree 渲染成自教师的特权上下文，替代 LLM 编写的技能库）；在 WebArena、ScienceWorld、WebSho
InterEvolve 让固定人形控制器在测试时进化奖励程序，仿真成功率从 34.6% 升至 86.5%，并在 Unitree G1 上自主运行
InterEvolve 提出一种测试时进化框架：用一个物体感知的前向-后向（FB）行为基础模型执行奖励程序，由 LLM 智能体在上下文中修改程序结构、CMA-ES 调节其常数，并在并行仿真场景中验证每个候选，从而让固定的人形控制器无需再训练即可完成未训练过的 loco-manipulation 任务，在八个任务族上把宏平均成功率从最佳校准固定程序的 34.6% 提升到 86.5%，并把进化出的技能部署到实体 Unitree G1 上。
RULER 用逐指令六项评分表做强化学习奖励，把 Qwen3-8B 的 SVG 生成评分从 0.432 提到 0.693，追平更大的 DeepSeek-V3
该工作先用 900 个由 Claude-Opus-4.6、Qwen3-32B、Qwen3-8B 生成并经人工打分的 SVG 样本证明，让视觉语言评判模型按多轴评分表打分，与人类判断的相关性（Spearman 0.7929、Goodman-Kruskal Gamma 0.7574）远高于 CLIP 与美学分数等标量指标，随后提出 RULER：仅凭文本指令为每条指令生成六项实例化评分表，由评判 VLM 对渲染结果逐项打分并加权成奖励，用 GRPO 优化策略，在 MMSVG-Illustration 与 MMSVG-Icon 上把评分表分数从 Qwen3-8B 基线的 0.432 和 0.395 提升到 0.693 和 0.683，超过专用 SVG 模型并追平
谷歌在YouTube上线双循环LLM智能体系统，自主发现RMSprop、Gated Path与多目标奖励，多项A/B指标显著提升
该工作提出并部署了一套自演化推荐系统，用Gemini系列LLM智能体充当机器学习工程师，通过离线快速循环（Offline Agent，每5分钟唤醒、每日运行）生成并离线打分候选配置、在线慢速循环（Online Agent，每日运行）排序并推进A/B实验，在YouTube多个推荐场景中自主发现了优化器切换（Adagrad→RMSprop、FTRL）、Gated Path（GLU）架构、激活精化、多目标奖励合成与奖励超参调优等改动，多项在线指标在95%置信水平上显著提升，并将实验吞吐从每周Θ(1)–Θ(10)提升到Θ(100)。