Meituan（美团）

Multi-Objective and Mixed-Reward Reinforcement Learning via Reward-Decorrelated Policy Optimization

多目标与混合奖励强化学习 via 奖励去相关策略优化

Yang Bai, Kaiyuan Liu, Ziyuan Zhuang, Jiahong Zhou, Rongxiang Weng, Xin Chen, Jingang Wang, Xunliang Cai

机构 * Meituan, China（美团，中国） 纠错

AI总结 本文提出RDPO方法，通过量化归一化和马氏白化处理，解决多任务和混合奖励环境中的奖励分布不均和相关性问题，提升模型在指令遵循和写作质量上的表现。

TouchAnything: A Dataset and Framework for Bimanual Tactile Estimation from Egocentric Video

TouchAnything: 一个用于从第一人称视频中估计双臂触觉的数据库和框架

Jianyi Zhou, Ziteng Gao, Feiyang Hong, Zirui Liu, Guannan Zhang, Weisheng Dai, Ruichen Zhen, Chuqiao Lyu, Haotian Wu, Yinian Mao, Xushi Wang, Yuxiang Jiang, Wenbo Ding, Shuo Yang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳研究院） ； Meituan Academy of Robotics（美团机器人研究院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） 纠错

AI总结 本文提出EgoTouch数据库和TouchAnything框架，通过多视角视频数据提升双臂触觉估计性能，实验表明结合腕部视角可提升接触和体积IoU指标。

MAP: A Map-then-Act Paradigm for Long-Horizon Interactive Agent Reasoning

MAP：一种用于长周期交互代理推理的先映射再行动范式

Yuxin Liu, Ziang Ye, Yueqing Sun, Mingye Zhu, Jinwei Xiao, Zhuowen Han, Qi GU, Xunliang Cai, Lei Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Meituan（美团） ； Institution of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tianjin University（天津大学） 纠错

AI总结 本文提出MAP范式，通过先构建环境认知再执行任务，解决交互代理中环境感知延迟问题，实验显示在多个基准测试中表现优异。

Asymmetric On-Policy Distillation: Bridging Exploitation and Imitation at the Token Level

非对称在线策略蒸馏：在令牌层面弥合利用与模仿

Nan Jia, Haojin Yang, Xing Ma, Jiesong Lian, Shuailiang Zhang, Weipeng Zhang, Ke Zeng, Xunliang Cai, Zequn Sun

机构 * Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Meituan（美团） 纠错

AI总结 本文提出非对称在线策略蒸馏，通过局部散度最小化改进传统策略蒸馏，提升数学推理任务表现，实现更稳定的策略熵和持续工具使用能力。