强化学习与对齐

NorthCUA 是一个集成的 Harness、经验生产飞轮和分阶段学习流水线，用于训练 Nano、Mini 和 Pro 计算机使用智能体，并报告了强劲的 GUI grounding、桌面、Web 和延迟结果。

R2Orch 将自博弈编排与基于可学习性的 Proposer 及随机化技能撤除测试嵌套在一起，在十二个基准上改进 Director，使其趋向零技能部署。

SimpleLoRIF 使用可扩展的逐示例梯度嵌入来识别并移除梯度与不安全行为对齐、表面无害的微调数据，在保持能力的同时降低越狱攻击成功率。

WeFair 通过将人类反馈保真度匹配到课程式 SFT、消费对 DPO 和严格目标 GRPO，训练一个紧凑的个性化短视频查询重写器，从而减少意图漂移并提升线上互动。

CaPtain 是一个开放式后训练流水线：先在合成的 harness 内轨迹上做 SFT，再用带特权模拟器 critic 的多轮 RL，将 4B 开放 VLM 转化为在 22 个底层感知与运动原语上运行的 code-as-policy 机器人智能体，在留出 LIBERO 上达到 73.8%。

该论文将训练-推理不匹配拆分为近似固定的数值差异和自诱导的策略滞后，然后提出 DLC：对差异做中心化，裁剪滞后比，并在滞后比的有效样本量低于一半时重同步采样器。

A-RSI 利用训练日志中的奖励变化和准确率信号来决定何时替换由程序化生成的多模态任务池，并在不使用外部训练样本或人工答案标签的情况下，在十一个基准测试套件上报告了提升。

AR-BED 在外部指定的有限贝叶斯实验设计模型下，用信息增益奖励训练一个推理 LLM，从而改进自适应提问，并迁移到临床对话任务。

LongZero 让 LLM 在零外部数据下改进长上下文推理：先编写结构化的问题-证据-答案规范，将其扩展为长多文档上下文，加入自写检索对话，并使用 GRPO 训练。

V4.1 Flash-1017 在评估完整性、失控和有害操纵方面相较 DeepSeek V4 模型表现出显著安全提升，但在持续压力、部分监督和指定欺骗性目标下仍保留弱点。