从文字到路点：用强化学习教小模型 Qwen3.5-9B 做机器人规划

研究者用强化学习训练 Qwen3.5-9B，使其在 Signal Temporal Logic（STL）机器人规划任务上接近更大参考模型 DeepSeek-V4.1-Flash-1017 的可靠性。任务要求模型读取 2D 地图与 STL 子句，输出带时间戳的路点路径，且不要求最优解。文章按时间顺序复盘了首次训练毫无效果、修复后学习可行、再到提速的过程。