深度调研：具身智能的强化学习到底怎么做？——SONIC 运动跟踪基础模型、VLA 的 RL 后训练谱系与 FluxVLA Engine 工程栈，11 张论文插图逐图讲
一篇调研讲清「具身智能的强化学习」：先小白开篇（奖励从哪来、为什么难：重置/稀疏/sim2real/大模型不稳），再给四条战线全景地图——①底层运动控制 RL：SONIC（Science Robotics 2026，arXiv 2511.07820）把「运动跟踪」当可扩展 RL 任务，PPO+密集跟踪奖励、零手工奖励工程，1.2M→42M 参数、1 亿+帧/700 小时动捕、2.1 万 GPU 时、最多 128 GPU，统一 token 空间接 VR 遥操作与 GR00T VLA；②VLA 的 RL 后训练谱系：iRe-VLA（RL+SFT 迭代稳训练）、VLA-RL（过程奖励模型，LIBERO 81.0% vs SFT 76.5%）、RLDG（RL 产数据蒸馏通才）、ConRFT（离线+在线一致性策略）、RLVLA 实证（PPO/GRPO/DPO）、π*0.6 Recap（RL Token 蒸馏进通才）、BORA（离线→在线残差）、FIND（真机自主练习：π0.5+残差离线 RL，8 任务 55%→71.9%）；③工程框架：FluxVLA Engine（arXiv 2609.17210）标准化 reward/advantage-weighted 学习、可选 RLinf 在线 RL、FSDP 分布式、LIBERO/RoboCasa/RoboTwin/RoboDojo 评测与 RTC 推理加速；④仿真 RL 底座（Isaac Lab/ManiSkill PPO-SAC，见 Benchmark 篇）。11 张论文插图逐张讲解，附方法对比总表与选型 Q&A。