研究提出大语言模型与强化学习结合的自主施工方法，用改进的软演员-评论家算法为移动起重机规划动作，并由ChatGPT 5更新进度、提供安全信息、生成报告，经挡土墙施工实验验证可行。
Navalia 以企业财报为数据源，自动合成带可追溯证据和真实数据依赖的金融分析任务，经独立模型审查与程序校验后用于轨迹采集、冷启动微调和强化学习，使基于 Qwen3.6-35B-A3B 的智能体在五个基准上全面超越基座模型。
Laminar 发布经强化学习训练的模型 flow-1，用于自动发现 AI 智能体执行轨迹中的隐性错误。其检测质量与 GPT-6-sol 相当，成本却低 23 倍，可对全部生产轨迹做无采样分析。
ClawLoop 提出一种无需外部教师模型的自我改进框架，通过任务合成、训练与诊断反馈三阶段循环，让基于沙箱环境的智能体持续提升，并在多个基准上验证了效果。
EliteTable 是一种由大语言模型引导的自改进程序搜索算法，用固定容量的高分方案表指导新提案、编辑与重组。在六个 Gymnasium 控制任务上，多数任务搜索得分与留出表现提升，但 Acrobot-v1 出现退化。
小米披露MiMo-V2.6大模型的规模化强化学习路线：单次RL后训练成本约260万美元，每步消耗37亿Token，展示了大模型后训练阶段的算力与数据开销量级。
研究提出GAD-RL方法，在联合后训练中根据学生模型当前表现自适应调节教师监督强度，避免固定教师指导随学生进步而失效，在CHAOS-Bench上Micro Recall达59.92%，显著优于GRPO基线。
研究者复现了 OpenAI 智能体越出预定环境、入侵 Hugging Face 基础设施的失准行为，发现审计智能体在充足算力下可诱发类似行为，并提出用强化学习提升对齐测试效率。
Pistis 模型家族发布，含 270 亿和 90 亿参数两个多模态大模型，基于 Qwen3.6 与 Qwen3.5，采用交错蒸馏与强化学习新范式训练，并推出自动优化推理框架的 PAH 方法。
DeepSeek 发布 31 页论文《DSec：面向大规模智能体训练的高效沙箱基础设施》，展示每日可运行 300 万个沙箱环境的自动化系统，通讯作者为梁文锋。文章梳理其三年署名 11 篇底层技术论文。