深度分析
「風險感知通用效用馬可夫決策過程」：熵風險度量結合蒙地卡羅樹搜尋的實作與驗證
研究針對通用效用馬可夫決策過程加入風險感知目標，提出以熵風險度量為基礎的風險感知框架，並利用蒙地卡羅樹搜尋在線規劃求解，實驗驗證在探索、模仿學習及多目標任務中能有效平衡期望表現與風險偏好，提升策略的魯棒性，此方法亦展示於不同折扣因子設定下的穩定性，為未來風險感知決策提供實作基礎。
強化學習
深度分析
「EcomRLVE‑GYM」可驗證強化學習環境加速電商對話代理人多任務學習
EcomRLVE‑GYM以可驗證的多回合、工具增強電商環境，提供八種購物情境，結合自適應難度課程與程式化獎勵，讓模型在真實流程中正確檢索、變體選擇並避免幻覺。實驗顯示Qwen 3 8B於300步即可提升任務成功率，預示AI購物助理的落地前景。
深度分析
解決 train‑inference mismatch：vLLM V1 後端校正與 RL 目標優化指南
ServiceNow‑AI在將推論引擎從vLLM V0升級至V1時，發現RL訓練指標偏離，透過修正logprob語義、統一執行預設值、同步權重更新路徑，並將lm_head設為fp32，使V1的訓練曲線與V0基準重新對齊，確保推論後端行為一致性。
深度分析
SimRPD：結合意圖鏈與強化學習的招聘主動對話代理人訓練框架
SimRPD 提出一套三階段流程，先以大型語言模型打造高忠實度的求職者模擬器，產生大量多輪對話資料；再以「意圖鏈」(Chain-of-Intention, CoI) 為基礎的雙層評估機制，從全域分布與單句品質兩方面篩選出高品質合成資料；最後以 SFT 與 PPO 方式微調招聘主動對話代理人。
深度分析
Dueling Q‑Learning 理論收斂與價值‑優勢分解的切換線性系統分析
Q-learning 為強化學習基礎演算法，Dueling Q-learning 透過將 Q 函式分解為價值與優勢提升效率。本研究以正交分解與切換線性系統理論，證明未正則化表格版 Dueling Q-learning 在恆定步長下可收斂，深化對價值‑優勢動態的理解，對未來深度強化學習設計具指引意義。
速報
回饋操控正則化 (FMR)：提升強化學習模仿政策對齊度
近年強化學習研究將焦點移向對齊，確保智慧體的行為符合人類價值。研究者提出「回饋操控正則化」(Feedback Manipulation Regularization, FMR)，一種與演算法無關的方法，將評估回饋作為校正訊號，改進模仿學習政策的對齊表現。
速報
ORCAID：斜決策樹抽取連續動作強化學習可解釋政策
可解釋性是強化學習的重要挑戰，尤其在連續動作空間中更難以抽取易讀的策略。研究團隊提出 ORCAID，一種在混合連續‑離散環境下，利用斜決策樹與局部線性模型，將深度強化學習代理人的政策轉換為規則式表示的方法。核心流程包括隨機初始化、局部微調與向後刪除的三階段切割搜尋，最後合併相鄰葉節點以產出簡潔規則。
深度分析
以固定專家基準驗證 Gin Rummy 強化學習：信任區域、獎勵塑形與模型容量之影響
研究以固定專家作基準，評估輕量級GinRummy代理人的訓練要素，發現信任區域更新、先擊打獎勵與遞增對手課程等提升效能，最佳模型對專家勝率約34%，同時證實模型容量非瓶頸，資訊缺失限制上限。此結論亦在LeducHold’em上驗證，顯示方法具遊戲無關性，可作為小模型卡牌遊戲AI研發的基準。
深度分析
Prime Intellect 完成 130 億美元 A 輪融資 打造企業自建 AI 代理人全端平台
PrimeIntellect在2026年完成130億美元A輪融資，提供企業自行訓練AI代理人的全端平台，結合運算資源、強化學習框架與評估工具，讓客戶以模組化方式取代依賴封閉式AI實驗室，提升效能與降低成本。此舉助企業降低對外部模型的依賴，並預示AI主權趨勢。
深度分析
利用 GSPO 強化學習提升 LLM 生成 BPMN 流程的語法與語意品質
大型語言模型（LLM）已能從自然語言敘述產出 BPMN 流程圖，但僅靠監督微調（SFT）會受限於訓練資料的模式。研究以 Group Sequence Policy Optimization（GSPO）結合 38 項自動化指標，對 Llama 3.1 8B 與 Qwen 2.5 14B 兩大模型進行 48 種獎勵配置的實驗。
深度分析
政策梯度自適應批次化於多 GPU 推論提升 3.5 倍效能
隨著大型模型推論流量波動，傳統靜態批次策略難以兼顧吞吐與延遲。研究以REINFORCE與PPO兩種政策梯度演算法，動態調整批次大小與請求路由，並在多GPU環境下將效能提升至3.5倍，顯示自適應RL可減少前端阻塞並優化資源配置。並為雲端服務商提供可擴展的調度方案。
深度分析
利用 Adaptive Reparameterized Time (ART) 與 RL 提升擴散模型採樣效率
擴散模型採樣效率受限於時間步分配的經驗法則。本研究提出 ART 框架，將時間步選擇定義為連續時間控制問題，透過引入採樣時鐘動態調整物理時間推進速度。研究進一步開發 ART-RL，利用強化學習與 Actor-Critic 演算法在高維空間求解最佳採樣率。結果顯示，ART 能在相同計算預算下顯著提升生成品質，且具備強大的跨數據集與跨求解器泛化能力。