深度分析
Mobile-R1：以任務層級獎勵與三階段訓練強化視覺語言模型驅動的行動代理
Mobile-R1 提出針對視覺語言模型（VLM）驅動的行動代理的互動式強化學習框架，核心在於以任務層級獎勵（task-level reward）取代僅靠單步動作回饋的做法。作者設計三階段訓練流程：格式微調、動作層級的單步 GRPO 線上訓練，以及基於多回合軌跡的任務層級 GRPO 訓練，強化探索與錯誤修正能力。
GRPO
深度分析
ManimTrainer 與 ManimAgent：以 SFT＋GRPO 結合 Renderer-in-the-loop 驅動 LLM 程式化動畫
研究針對以Manim從文字生成程式化動畫的挑戰，提出ManimTrainer結合監督微調與GRPO強化學習，以及ManimAgent的Renderer-in-the-loop與文件輔助推理策略，實驗顯示兩階段訓練與代理式推理互補，能顯著提升渲染成功率與視覺相似度。
深度分析
以辯論式獎勵與群體相對策略優化（GRPO）內化評審：強化學習下的學術構想生成
本研究提出以多代理辯論式評審作為強化學習（RL）獎勵的框架，目標提升大型語言模型在科學構想生成上的新穎性與可行性。
深度分析
SFT‑GRPO 資料重疊對後訓練超參數的影響：深度實驗與結果分析
研究重新審視 SFT 後接 GRPO 的訓練流程，探討資料重疊率對 Lean 4 自動形式化的影響。實驗以 Qwen3‑8B 為基礎，分別測試 0%、30% 與 100% 重疊情境，結果顯示低重疊能提升編譯與語意正確率，0% 重疊時 GRPO 在 Gaokao 基準上較 SFT 提升 10.4 個百分點。完全重疊則使兩階段效益持平，凸顯資料分離的重要性。
深度分析
視覺語言模型物理推理的獎勵設計與效能分析：GRPO 與 IBM Granite Vision 3.3 的比較
研究聚焦視覺語言模型的物理推理能力，透過四種獎勵訊號比較其效能。結果顯示，以答案正確性為基礎的獎勵提升最大，且注意力權重獎勵在空間推理上有顯著改善，指出監督注意力是未來提升方向。
深度分析
後訓練推理模型中新興注意力頭的形成與功能分析
大型推理模型的效能在後訓練階段顯著提升。研究發現監督式微調與蒸餾會累積穩定的專屬注意力頭，而GRPO則以少量頭部的動態搜尋與裁剪方式運作；可控的思考開關模型缺乏專屬思考頭，關閉推理時會啟用較低效的補償頭。結果顯示，強化的注意力頭提升複雜問題解決能力，同時也可能在簡單任務產生過度思考的錯誤。
深度分析
DeepMath：Intel 以輕量 Python 沙盒結合 Qwen3‑4B 提升數學推理效能
Intel推出DeepMath，結合Qwen3‑4BThinking與GRPO訓練，模型產生簡短Python片段於沙盒執行，減少輸出長度最高66%，同時提升答題正確率。在MATH500、AIME、HMMT、HLE四大數學基準測試均表現優異。