Bootstrapped Mixed Rewards for RL Post-Training: Injecting Canonical Action Order
基于强化学习后训练的混合奖励：注入经典动作顺序
机构 * University of Michigan（密歇根大学）
AI总结 本文提出在强化学习后训练中引入混合奖励，通过结合稀疏任务奖励和顺序奖励，提升模型对经典求解顺序的适应能力，无需修改监督数据或架构。
高校专区
University of Michigan（密歇根大学安娜堡分校）
Learning Optimal Individualized Decision Rules with Conditional Demographic Parity
学习最优的个性化决策规则以实现条件人口平等问题
机构 * Department of Applied Mathematics, The Hong Kong Polytechnic University（应用数学系，香港理工大学） ； Department of Biostatistics, City University of Hong Kong（生物统计学系，香港城市大学） ； Department of Biostatistics, University of Michigan（生物统计学系，密歇根大学）
AI总结 本文提出了一种结合人口平等问题和条件人口平等问题约束的框架，用于学习最优的个性化决策规则，以减少算法歧视并提高公平性。
When Do Tools and Planning Help Large Language Models Think? A Cost- and Latency-Aware Benchmark
当工具和规划如何帮助大语言模型思考？一个成本和延迟感知的基准测试
机构 * College of Engineering（工程学院） ； University of Michigan-Dearborn（密歇根大学-迪尔伯恩分校）
AI总结 研究通过对比不同配置评估工具和规划对大语言模型性能的影响，发现工具增强能显著提升准确性但增加延迟，而复杂工具协调易导致模型退化。
Continuous Chain of Thought Enables Parallel Exploration and Reasoning
连续思维链实现并行探索与推理
机构 * University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； Google Research NYC（谷歌纽约研究）
AI总结 本文提出CoT2连续思维链方法，通过并行探索与推理提升模型性能，解决组合子集和问题并优化推理效率。
Comments ICLR 2026
VTool-R1: VLMs Learn to Think with Images via Reinforcement Learning on Multimodal Tool Use
VTool-R1: 通过在多模态工具使用上的强化学习使VLMs学会通过图像思考
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan Ann Arbor（密歇根大学安娜堡分校） ； Independent Researcher（独立研究者）
AI总结 VTool-R1通过强化学习训练视觉语言模型生成多模态思考链，提升其通过图像进行推理的能力。
Comments ICLR 2026
