Apprentissage par renforcement

Modèle disponible dès maintenant via Kimi.ai et l'API, avec benchmarks publics (Terminal-Bench 65,7 %) proches des modèles propriétaires et poids ouverts annoncés d'ici le 4 novembre.

Kimi K3.1 Pro, modèle open-weight de classe 3T avec 1 million de tokens de contexte, vise le niveau des modèles propriétaires en coding et agents. Une version Highspeed est 2 à 3 fois plus rapide.

NVIDIA détaille comment des agents IA peuvent aider à enseigner la marche à un robot en simulation, de la création des assets à l'entraînement et à l'évaluation, pour franchir un parcours d'obstacles.

Microsoft et Hugging Face réutilisent les vérifications exécutables de ThinkingBox comme récompenses : sur Qwen3.8-27B, le succès moyen passe de 51,70 % à 60,78 % après 50 steps GRPO.

Des chercheurs proposent LongZero, une méthode où un LLM améliore seul son raisonnement sur contexte long, sans corpus externe ni modèle enseignant, via GRPO.

Un nouveau benchmark agentique fait écrire des environnements interactifs à neuf LLM de pointe pour mesurer leurs capacités de créateur et de solveur, révélant deux compétences distinctes.

ASTEROID, un cadre étudiant–enseignant supervisé, apprend à explorer au moment du test sous observabilité partielle, sans le coût en données de l'apprentissage par renforcement en ligne.

Un framework de post-entraînement RL exploite la structure de tâches atomiques pour améliorer l'attribution du crédit et l'exploration des politiques VLA, avec un pipeline Real2Sim2Real vers les robots physiques.

AdaDex transforme une seule trajectoire main-objet de quelques secondes en compétence dextre adaptable, en combinant suivi de mouvement et généralisation par reinforcement learning.

Des chercheurs proposent VAG, un mécanisme de filtrage qui ne retient que les corrections token par token appuyées par la preuve visuelle, afin d'éviter la contamination dans le RL multimodal.

Agima entraîne un modèle omni unique à proposer des actions, générer des images de leurs conséquences et raisonner sur ces futurs imaginés avant d'agir dans l'environnement réel.

Un framework de multi-agent reinforcement learning décompose la conception inverse d'ARN en sous-problèmes et surpasse l'état de l'art sur Rfam en taux de réussite et en vitesse.

Une étude suggère que les gains du RL en mode NO-THINK sur les modèles hybrides comme Qwen3 viennent surtout d'une réactivation du mode THINK d'origine, plutôt que d'un raisonnement amélioré.

Des chercheurs proposent un vérificateur visuel qui décompose les prompts complexes en sous-composants et attribue des scores continus, plutôt qu'un simple jugement binaire vrai/faux.

Des chercheurs proposent une méthode de post-training pour l'optimisation autonome de projets de machine learning sur le long terme, appliquée à MLExpert, un modèle MoE de 35B paramètres.

Un cadre d'apprentissage par renforcement robuste produit des politiques de traitement adaptatif généralisables et fiables malgré les erreurs de mesure des biomarqueurs et les variations de la dynamique de la maladie.

Ce framework de reinforcement learning aligne les trajectoires d'agents de recherche sur les connaissances acquises plutôt que sur les observations, et dépasse GRPO, GiGPO et IGPO de 3,8 à 4,2 points.

Un modèle de 8B entraîné par apprentissage par renforcement au niveau de l'ensemble d'idées dépasse Claude Opus 4.8 et GPT-6 Astra en utilité créative sur un benchmark sans contamination.

Des chercheurs génèrent directement dans l'espace des poids des réseaux de contrôle déployables pour le robot Unitree G1, grâce à un modèle de diffusion latente.

HiRe-MoMa affine une politique de base figée pour la manipulation mobile : environ 30 minutes d'interaction en ligne sur le robot TIAGo++ suffisent à améliorer les performances.

Un nouvel entraînement par RL ajoute des cibles d'actions multi-étapes pour exploiter la supervision intermédiaire, sans surcoût à l'inférence, et améliore les performances sur cinq benchmarks d'agents.

Un framework de post-training enseigne le contrôle de jeux vidéo à des agents grâce à seize environnements synthétiques et au reinforcement learning PPO, au-delà des simples démonstrations.

Des chercheurs proposent CIPR, une régularisation qui impose à un agent LLM un comportement cohérent quand l'interface change, sans dégrader ses performances sur l'interface d'origine.

Des chercheurs présentent PrismaForge, un pipeline de données fondé sur des rubriques synthétiques, et PrismaCoder-2M, un vaste jeu de données ouvert pour le code multimodal, ainsi que deux modèles associés.

Tev-Gym, un jeu de 1 170 environnements vérifiés sur 7 domaines, et la méthode PPRS permettent d'entraîner Tev-27B, qui égale GPT-6 Astra et Claude Opus 5 à Pass@5 sur ALE-CM.

AesCode génère des slides, posters et dashboards sous forme de code, guidé par une image de référence, et optimise par reinforcement learning des récompenses vérifiables et visuelles séparées.

HybridAgents navigue dynamiquement entre raisonnement latent et texte au sein d'une même génération, avec un gain de 10,4 % et une réduction de 35,5 à 54,7 % des tokens sur 11 benchmarks.

Un cadre à « deux horloges » explique pourquoi la règle de la racine carrée sur le learning rate ne préserve pas le progrès par échantillon en RLVR, et en tire un calendrier de batch size.

Un framework de reinforcement learning entraîne un LLM à optimiser des molécules tour après tour grâce au feedback précédent, avec 81,50 % de succès contre 70,81 % pour le modèle de base.

Des chercheurs prouvent que le Q-learning hors ligne atteint une complexité d'échantillonnage en Õ(1/ε) avec régularisation KL, via deux variantes : KLQ et KLPQ, cette dernière intégrant du pessimisme.

Un framework d'apprentissage par renforcement optimise l'ordonnancement et l'abandon de bundles sur un relais spatial, en privilégiant les données les plus utiles aux objectifs de mission.

Une analyse du dernier itéré du Q-learning asynchrone sur une trajectoire unique établit une borne d'échantillons en H^4/(μ_min ε²) avec un coût d'initialisation additif lié au temps d'atteinte.

Success Guided Sampling (SGS) concentre l'entraînement RL sur la frontière des capacités de la politique et rend exploitable le scaling jusqu'à plus d'un million d'environnements parallèles.

Un framework model-free sépare sécurité et performance via un filtre d'actions appris, et atteint 99,95 % de sécurité sur un humanoïde à 29 DoF, testé sur un Unitree G1 réel.

Des chercheurs proposent un opérateur de Bellman fusionnant performance et sécurité dans une fonction de valeur conjointe, avec preuve de convergence et quasi-absence de violations au test.

Des chercheurs proposent un cadre qui sépare la phase d'exploration de celle d'optimisation en RLVR, permettant d'intensifier l'exploration sans dégrader la qualité du modèle final.

Microsoft Research Asia propose une approche où le même harnais d'agent utilisé en production participe directement à l'apprentissage par renforcement, sans réimplémentation coûteuse.

Un nouvel algorithme off-policy accélère l'apprentissage par renforcement des politiques de flow, avec transfert zero-shot vers des robots humanoïdes réels.

Un nouveau paradigme d'entraînement utilise des spécifications structurées pour apprendre aux modèles à synthétiser des idées de recherche à partir de papiers existants.

Un framework d'apprentissage par renforcement entraîne des LLM à ajuster leur pédagogie selon le profil de l'élève simulé, avec des gains mesurables.

Un framework où politique, curriculum et juge co-évoluent pour permettre l'auto-amélioration continue d'agents en robotique et conduite autonome.

Une méthode ajuste dynamiquement la taille des listes de recommandations via un élagage calibré, avec garanties théoriques sur la perte de valeur.

Un simple token de départ comme « Okay » ou « Alright » peut faire bondir les performances de raisonnement d'un modèle de base, sans RL.

Un nouveau framework par apprentissage par renforcement ajuste dynamiquement coût, latence et performance de la mémoire des agents LLM.

Une méthode d'auto-vérification certifiée permet aux agents web open source d'améliorer leurs performances sans juge externe coûteux.

Un robot bimanuel fixe des points 3D comme un œil humain pour manipuler finement sans caméra de poignet, via RL hiérarchique.

Un nouveau papier explique pourquoi le gradient de politique exact perd face à l'entropie croisée, et propose une « horizon loss » qui comble l'écart.

Un nouvel algorithme de RL en ligne améliore les politiques via un critique sans différencier celui-ci par rapport aux actions, pour des mises à jour plus fiables.

Un modèle de langage protéique entraîné sur 54 millions d'IDR, combiné à une méthode RL-SAE, permet de concevoir des séquences désordonnées fonctionnelles de façon contrôlable.

Cloudflare dévoile Clef, une famille de modèles de décision à poids ouverts, accompagnée d'une plateforme de fine-tuning par renforcement.

Une méthode entraîne un petit modèle « conseiller » à guider des LLM figés plus puissants, avec des gains mesurés sur BFCL-v3 et EnvScaler.