不遮蔽环境：观测监督如何改变 RL 中智能体的探索行为

GPT-Policy 是一个面向上下文机器人学习的通用智能体框架，由上下文编译器、提出机器人工具动作的 VLM 和验证并执行动作的受限控制器组成，无需梯度更新或改动任务专属参数。真机试验中，人类视频演示即使没有机器人动作标签也能提升任务完成度，对齐的动作参考在接触敏感任务上带来进一步提升。

一项研究让拟人手用同一组手指完成移动、支撑体重与环境交互，且保留原有手指设计与位置控制器。该方法用强化学习应对手指不均衡问题，并在依据硬件测量校准的模拟器中训练，其奖励公式下的移动速度快于为四足机器人调优的奖励。硬件上，任务专用策略实现了无缆爬行、转向与跌倒恢复，还能在无视觉条件下执行连续键盘指令，并借助俯视视觉反馈将物体推至目标。

研究提出一种推理架构，将设计方向作为显式中间决策，通过预生成带典型性评分的结构化设计规范、外部选择器采样、下游生成器在固定设置下实现所选规范，从而把探索与实现分离。

研究者为掩码扩散语言模型（dLLM）提出 register tokens：用少量固定位置 token 的连续隐状态跨生成块携带推理进度，从而在清空已生成文本后仍能继续推理。

一篇论文用同一套三阶段提示词，对 OpenAI、Anthropic、xAI 和 Google DeepMind 的六类前沿模型各做 10 次独立会话。在"学校听众"设定下，回答反复收敛到含持久潜状态、自适应计算、记忆、专家路由、验证、停止控制和延迟解码的共同架构模式；去掉该设定后结果明显更异质。

OmniHarness 通过符号策略学习实现可泛化视觉生成，将已验证的执行抽象为符号策略，并在执行中即时验证以支持纠错与失败恢复。在 ComfyBench 的 Creative 任务上，其解决率达 95.0%，超出最强基线 27.5 个百分点。实验覆盖六个基准、三个 MLLM 主干和三个视觉智能体框架，冻结的策略快照可即插即用提升现有视觉智能体系统。

研究者提出 Minimal Intervention Reinforcement Learning（MInTRL），在原本 on-policy 的 rollout 中通过稀疏、局部干预扩展探索边界：生成时由 judge-intervention 策略周期性审查当前策略输出，用简短修正替换错误后缀后立即交还控制权。

Brain2Semantics2Text 通过中间语义嵌入空间重建文本，将句子级 MEG 脑磁响应映射到语义流形，再反演为自然语言，从而绕开词级对齐。该方法面向非侵入式语音解码中信噪比低、难以还原音素或单词的难题，利用皮层分布式、慢时间尺度的语义表征，在句子级结果上优于此前的非侵入式 Brain2Text 方法。

针对长程任务中强化学习奖励稀疏的问题，研究者提出环境侧适配范式，构建反馈增强环境（FEEs），在幕内探索与幕间演化的后期将反馈从动作引导转向观察丰富化。基于Qwen3多种规模模型及GRPO、GSPO、DAPO等RL算法在SciWorld和BFCL基准上的大规模实验显示，FEEs相较标准设置持续带来性能提升，并稳定训练动态、促进主动探索、将环境引导内化至策略权重。

A*-Thought-V2 将思维链建模为隐藏状态轨迹，通过显式-隐式交错潜在架构替代硬删除，用 3D PCA 空间中的方向角判断推理步骤去留。在 Qwen3.5-9B 和 Qwen3.6-27B 上，该方法平均准确率最高提升 2.6%，响应长度缩短近一半，Accuracy per Computation Unit 提升 2.29 倍，预处理和训练时间分别减少 94.6% 和最高 80.3%。