PDE替掉attention误差低2倍，局部RL省3/4算力

重点关注

01 推理 形式化推理做不好？问题可能出在你把它当成了一个任务

形式化证明一直被当作端到端任务来训练，但LongCat-Flash-Prover换了个思路：把它拆成三个独立能力——自动形式化（把自然语言翻译成Lean4语句）、框架搭建（写出证明骨架）、逐步证明。三个能力各自有独立的训练轨迹和RL优化，互不干扰。这个拆解之所以有效，是因为形式化证明的难点本来就不均匀：有时候翻译就卡住了，有时候证明策略才是瓶颈，混在一起训练模型根本搞不清该优化哪个环节。在agentic RL阶段，他们针对MoE模型在长链任务上的训练不稳定问题，提出了HisPO算法——用梯度掩码策略处理策略过期和训练推理引擎之间的差异，同时加入定理一致性检测直接卡掉reward hacking。对从业者来说，这套「先把复杂能力拆解成独立子任务、再逐个用agentic RL强化」的方法论，比560B这个参数量本身更有参考价值——完全可以迁移到你自己的复合推理场景，不管模型规模多大。

原文：LongCat-Flash-Prover: Advancing Native Formal Reasoning via Agentic Tool-Integrated Reinforcement Learning

02 训练优化 Agent后训练的成本和泛化，未必是二选一

SFT和端到端RL在agent后训练中是两个极端——前者便宜但分布外（OOD）退化严重，后者泛化好但多轮rollout的算力开销扛不住。PivotRL的思路是在已有SFT轨迹上做局部on-policy rollout，只聚焦「pivot」——采样动作导致结果差异最大的关键中间步骤，在这些节点上叠加RL优化。配合功能等价奖励（不要求和SFT数据严格字符串匹配），让模型学到行为逻辑而非表面形式。四个agent领域平均比标准SFT高4.17%，OOD任务高10%，coding任务用四分之一的rollout量接近端到端RL的效果。已被NVIDIA的Nemotron模型采用于生产级后训练，做agent训练的团队可以直接参考这个「SFT轨迹+局部RL」的路线。

原文：PivotRL: High Accuracy Agentic Post-Training at Low Compute Cost

03 模型架构 用偏微分方程替掉Transformer，世界模型照样能预测

世界模型的预测器几乎默认选Transformer，这个前提很少被质疑。FluidWorld做了一个直接的实验：把self-attention换成反应-扩散方程（reaction-diffusion PDE），让物理扩散过程本身充当预测的计算基底，复杂度从O(N²)降到O(N)。在参数严格对齐的对比中（约800K参数，同样的编码器、解码器和损失函数），PDE方案重建误差低2倍，空间结构保持度高10-15%——更关键的是多步预测时Transformer和ConvLSTM都迅速退化，PDE方案保持连贯。这还只是proof-of-concept阶段（UCF-101 64×64，单张RTX 4070 Ti跑完），离实用场景有距离，但它提出的问题值得认真对待：世界模型的计算基底选择可能被过早锁定在了attention上。

原文：FluidWorld: Reaction-Diffusion Dynamics as a Predictive Substrate for World Models

04 机器人 推理对齐做不好，是因为塞错了地方？

给多模态大模型加VQA类推理监督来提升机器人操控，之前的尝试效果不稳定，甚至有害。RoboAlign换了个思路：不在训练阶段硬塞推理能力，而是在推理时通过自然语言推理采样动作token，再用RL优化这个推理过程，弥合语言理解和底层动作之间的模态鸿沟。SFT之后仅用不到1%的数据做RL对齐，在LIBERO、CALVIN和真实环境上分别提升17.5%、18.9%和106.6%——不过106.6%需要看基线的绝对水平，基线低的话翻倍并不难。方向上，test-time reasoning用于具身智能可能比训练时监督更务实，值得做机器人方向的团队留意。

原文：RoboAlign: Learning Test-Time Reasoning for Language-Action Alignment in Vision-Language-Action Models