清华大学联合小米公司、浙江大学、南洋理工大学及中科院自动化所的研究团队，在人工智能训练领域取得突破性进展。他们提出的"甜蜜点学习"（Sweet Spot Learning, SSL）方法，通过引入分层奖励机制，显著提升了智能体在复杂任务中的学习效率。这项研究成果已发表于学术平台arXiv，编号为2601.22491v1。
研究灵感源自网球运动中的"甜蜜点"概念——球拍上能产生最佳击球效果的特定区域。团队将这一理念应用于AI训练，认为通过引导智能体聚焦高质量解决方案区域，可以突破传统二元奖励机制的局限。传统方法仅以"成功/失败"评判结果，导致智能体难以理解任务本质，容易陷入低效探索或依赖偶然成功模式。
新算法构建了多层级奖励体系，将解决方案空间划分为不同质量等级。以手机界面操作为例，点击位置越接近目标中心，获得的奖励值越高；在数独任务中，每正确填充一个数字都会获得部分奖励，引导智能体逐步完成全局推理。这种设计使智能体不仅能判断对错，还能感知解决方案的优劣程度。
实验数据显示，该方法在12个基准测试中均表现优异。在安卓界面控制任务中，30亿参数模型的成功率从75.62%提升至82.41%；长期规划任务中，相同规模模型的成功率提高14.6%；数独求解准确率更是实现翻倍增长。特别值得注意的是，使用40%训练数据的SSL模型即可达到传统方法100%数据量的性能水平。
技术实现层面，研究团队通过数学证明确保了算法的两个关键特性：一是保持解决方案质量排序，即相同成功率下更优方案获得更高评分；二是增强梯度信噪比，提供更稳定的学习信号。消融实验表明，将解决方案划分为4个质量层级能在区分度和稳定性间取得最佳平衡，层级过少会导致指导不足，过多则可能引入噪声。
该算法展现出良好的跨任务迁移能力。在感知任务训练的模型应用于规划任务时，仍能保持性能提升，证明其培养的"追求质量"学习模式具有普适性。实际部署中，算法仅需对传统策略梯度方法进行最小化修改，将二元奖励替换为分层奖励即可，这种轻量化设计使其易于集成到现有强化学习框架。
研究团队同时指出算法的局限性：甜蜜点区域设计仍需部分领域知识，复杂约束任务中可能存在局部评估与全局目标的偏差。为防范奖励黑客攻击，算法保留了二元正确性校验作为基础约束，确保甜蜜点奖励仅用于放大正确解决方案。计算开销方面，该方法主要依赖几何距离计算，无需额外神经网络参数或大量标注数据。
目前，该技术已在自动化测试、智能客服、机器人控制等领域展现出应用潜力。例如帮助AI学习更自然的对话策略，或引导机器人完成更精准的动作序列。研究团队正探索自适应甜蜜点调整、多目标优化等改进方向，期待通过更精细的反馈机制推动AI技术发展。完整技术细节可查阅论文arXiv:2601.22491v1。
