经常关注顶会的朋友都知道，最近有个明显的趋势：强化学习RL正在破圈。

从传统MDP建模、策略优化，到如今与大模型、具身智能深度融合；从经典场景诸如机器人，到成为自动驾驶、智能体系统的核心基础设施……RL这迭代速度，比之过去几年那真是突飞猛进。

到了今年的顶会赛场，我们已经不卷在某个环境里把reward刷高零点几个百分点这种事了，真正被关注的，是RL的新范式、新理论和新基建。

为了帮更多朋友快速跟上这波热潮，我系统整理了CVPR、AAAI、ACL、ICML、ICLR、IJCAI、ACM MM、KDD这8大顶会中181篇强化学习论文，都来自2026年最新录用。

无论你是想快速发一篇顶会，还是想在某个细分方向上深挖，这些论文都值得你至少过一遍，全是可借鉴的idea。

扫码添加小享，回复“RL合集” 

免费获取全部论文+开源代码

【CVPR 2026】MSRL: Scaling Generative Multimodal Reward Modeling via Multi-Stage Reinforcement Learning

研究方法：论文提出MSRL 多阶段强化学习方法，先在大规模文本偏好数据上做强化学习习得通用奖励推理能力，再经基于字幕的强化学习与跨模态知识蒸馏，最后用少量多模态数据完成强化学习微调，实现生成式多模态奖励模型的可扩展训练。

创新点；

• 提出多阶段强化学习 MSRL 框架，先在海量文本偏好数据上学习通用奖励推理能力，再分步迁移到多模态任务，突破多模态奖励模型的数据瓶颈。

• 设计基于字幕的强化学习与跨模态知识蒸馏 CMKD 策略，有效弥合文本与多模态之间的任务差异和模态鸿沟，提升偏好泛化能力。

• 仅需少量多模态偏好数据即可完成模型微调，在视觉理解、图像与视频生成任务上均实现显著性能提升，且适配不同规模的模型主干。

研究价值：MSRL通过多阶段强化学习充分利用海量文本偏好数据，有效解决了多模态奖励模型依赖昂贵人工标注、难以规模化训练的核心瓶颈，在视觉理解、图像与视频生成等任务上实现显著性能提升，为多模态大模型的人类偏好对齐提供了低成本、高泛化、易扩展的实用解决方案。

扫码添加小享，回复“RL合集” 

免费获取全部论文+开源代码

【ICLR 2026】MedVR: Annotation-Free Medical Visual Reasoning via Agentic Reinforcement Learning

研究方法：论文提出MedVR智能体强化学习框架，在无需中间步骤人工标注的前提下，通过熵引导视觉重定位（EVR） 驱动不确定性感知探索、基于共识的信用分配（CCA） 生成自监督信号，让医疗视觉语言模型交替文本推理与医学图像缩放工具调用，完成端到端强化学习优化。

创新点；

• 提出 MedVR 智能体强化学习框架，实现医疗视觉语言模型的无标注视觉推理，无需中间步骤人工标注即可完成端到端训练。

• 设计熵引导视觉重定位（EVR）机制，基于模型预测不确定性动态引导视觉探索，精准定位需要细查的医学图像区域。

• 提出基于共识的信用分配（CCA）方法，从成功推理轨迹中蒸馏伪监督信号，为工具使用提供细粒度奖励且不依赖人工标注。

研究价值：MedVR采用无标注智能体强化学习实现医疗视觉推理，破解医疗领域细粒度标注成本高、稀缺的难题，让模型主动依据医学图像证据推理，显著减少幻觉、提升诊断可靠性与泛化能力，为安全可解释的临床AI落地提供高效新方案。

扫码添加小享，回复“RL合集” 

免费获取全部论文+开源代码