Chaining the Evidence: Robust Reinforcement Learning for Deep Search Agents with Citation-Aware Rubric Rewards
证据链的构建：基于引用感知的鲁棒深度搜索代理强化学习
机构 * Tsinghua University（清华大学） ； Zhipu AI（智谱AI）
AI总结 本文提出引用感知评分框架和组相对策略优化方法，用于提升深度搜索代理的鲁棒性和推理质量。
高校专区
Tsinghua University（清华大学）
Orchestrating Tokens and Sequences: Dynamic Hybrid Policy Optimization for RLVR
协调标记与序列：动态混合策略优化用于RLVR
机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； LLM Team, Shopee Pte. Ltd.（Shopee 股份有限公司语言模型团队） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）
AI总结 本文提出动态混合策略优化方法，通过结合标记级和序列级重要性比率，提升RLVR在数学推理任务中的性能。
PaCoRe: Learning to Scale Test-Time Compute with Parallel Coordinated Reasoning
PaCoRe: 通过并行协调推理学习扩展测试时间计算
机构 * StepFun ； Tsinghua University（清华大学） ； Peking University（北京大学）
AI总结 PaCoRe通过并行协调推理框架，实现大规模测试时间计算扩展，提升数学推理能力至94.5%
A Causal Information-Flow Framework for Unbiased Learning-to-Rank
一种用于无偏学习排序的因果信息流框架
机构 * Department of Computer Science, Rutgers University（计算机科学系，罗格斯大学） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学）
AI总结 本文提出一种基于因果学习的排序框架，通过结合结构因果模型和信息论工具，有效减少多源偏差，提升排序性能。
Learning from Mistakes: Negative Reasoning Samples Enhance Out-of-Domain Generalization
从错误中学习：负推理样本增强领域外泛化
机构 * CAS Key Laboratory of AI Safety, Institute of Computing Technology, CAS, Beijing, China（中国科学院人工智能安全重点实验室，计算技术研究所，中国科学院，北京，中国） ； Harbin Institute of Technology, Harbin, China（哈尔滨工业大学，哈尔滨，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； Tsinghua University, Beijing, China（清华大学，北京，中国）
AI总结 通过引入负例推理样本，GLOW方法有效提升了大语言模型在领域外任务中的泛化能力，通过调节损失下降和提升策略熵来减少过拟合并促进探索。
Comments Code and data are available at https://github.com/Eureka-Maggie/GLOW
Multimodal Interpretation of Remote Sensing Images: Dynamic Resolution Input Strategy and Multi-scale Vision-Language Alignment Mechanism
遥感图像的多模态解释：动态分辨率输入策略与多尺度视觉-语言对齐机制
机构 * Tsinghua University（清华大学）
AI总结 本文提出动态分辨率输入策略与多尺度视觉-语言对齐机制，提升遥感图像多模态解释的准确性和效率。
Volume-Consistent Kneading-Based Deformation Manufacturing for Material-Efficient Shaping
体积一致的 kneading 基础变形制造用于材料高效成形
机构 * School of Mechanical Engineering and Automation, Northeastern University（机械工程与自动化学院，东北大学） ； Future Laboratory, Tsinghua University（清华大学未来实验室）
AI总结 本文提出了一种基于 kneading 的体积一致成形方法，通过闭环工作流程实现高保真度和高材料利用率的三维变形制造。
Comments 39 pages, 31 figures
Video Generation Models Are Good Latent Reward Models
视频生成模型是良好的潜在奖励模型
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent Hunyuan（腾讯文元） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学）
AI总结 本文提出PRFL框架，利用预训练视频生成模型在噪声潜在空间中进行奖励建模，实现高效去噪和降低训练成本。
Rethinking Supply Chain Planning: A Generative Paradigm
重新思考供应链规划：一种生成范式
机构 * Tsinghua University, Beijing, China（清华大学） ； JD.com, Beijing, China（京东） ； Faculty of Engineering and Faculty of Business and Economics, The University of Hong Kong, China（香港大学工程学院和商学院） ； College of Engineering, University of California, Berkeley, CA, USA（加州大学伯克利分校工程学院）
AI总结 本文提出一种基于生成式人工智能的供应链规划范式，通过智能代理框架提升规划准确性与库存率，实现动态需求下的适应性协调。
