清華大學聯合小米公司、浙江大學、南洋理工大學及中科院自動化所的研究團隊，在人工智能訓練領域取得突破性進展。他們提出的"甜蜜點學習"（Sweet Spot Learning, SSL）方法，通過引入分層獎勵機制，顯著提升了智能體在復雜任務中的學習效率。這項研究成果已發表于學術平臺arXiv，編號為2601.22491v1。

研究靈感源自網球運動中的"甜蜜點"概念——球拍上能產生最佳擊球效果的特定區域。團隊將這一理念應用于AI訓練，認為通過引導智能體聚焦高質量解決方案區域，可以突破傳統二元獎勵機制的局限。傳統方法僅以"成功/失敗"評判結果，導致智能體難以理解任務本質，容易陷入低效探索或依賴偶然成功模式。

新算法構建了多層級獎勵體系，將解決方案空間劃分為不同質量等級。以手機界面操作為例，點擊位置越接近目標中心，獲得的獎勵值越高；在數獨任務中，每正確填充一個數字都會獲得部分獎勵，引導智能體逐步完成全局推理。這種設計使智能體不僅能判斷對錯，還能感知解決方案的優劣程度。

實驗數據顯示，該方法在12個基準測試中均表現優異。在安卓界面控制任務中，30億參數模型的成功率從75.62%提升至82.41%；長期規劃任務中，相同規模模型的成功率提高14.6%；數獨求解準確率更是實現翻倍增長。特別值得注意的是，使用40%訓練數據的SSL模型即可達到傳統方法100%數據量的性能水平。

技術實現層面，研究團隊通過數學證明確保了算法的兩個關鍵特性：一是保持解決方案質量排序，即相同成功率下更優方案獲得更高評分；二是增強梯度信噪比，提供更穩定的學習信號。消融實驗表明，將解決方案劃分為4個質量層級能在區分度和穩定性間取得最佳平衡，層級過少會導致指導不足，過多則可能引入噪聲。

該算法展現出良好的跨任務遷移能力。在感知任務訓練的模型應用于規劃任務時，仍能保持性能提升，證明其培養的"追求質量"學習模式具有普適性。實際部署中，算法僅需對傳統策略梯度方法進行最小化修改，將二元獎勵替換為分層獎勵即可，這種輕量化設計使其易于集成到現有強化學習框架。

研究團隊同時指出算法的局限性：甜蜜點區域設計仍需部分領域知識，復雜約束任務中可能存在局部評估與全局目標的偏差。為防范獎勵黑客攻擊，算法保留了二元正確性校驗作為基礎約束，確保甜蜜點獎勵僅用于放大正確解決方案。計算開銷方面，該方法主要依賴幾何距離計算，無需額外神經網絡參數或大量標注數據。

目前，該技術已在自動化測試、智能客服、機器人控制等領域展現出應用潛力。例如幫助AI學習更自然的對話策略，或引導機器人完成更精準的動作序列。研究團隊正探索自適應甜蜜點調整、多目標優化等改進方向，期待通過更精細的反饋機制推動AI技術發展。完整技術細節可查閱論文arXiv:2601.22491v1。