强化学习正在重塑大模型的后训练环节。蚂蚁集团有三篇论文入选EMNLP 2026，都围绕这一方向展开。

打开网易新闻 查看精彩图片

三篇论文各自解决一个问题：

  • DUPO：把规划与工具调用解耦；
  • EBM-RL：分解奖励，增强沉浸式视频角色扮演；
  • Reliable-V-RL：引入可靠性奖励，强化多模态模型的拒答能力。

从工具调用到角色扮演，再到拒答，强化学习被用来分别打磨大模型的不同能力。