2016年的科幻电影《摩根》以一场突如其来的暴力开场——五岁的基因改造人摩根，在餐桌上突然对前来安慰自己的保姆凯西发起猛击。监控数据显示， 摩根的各项生理指标平...

为进一步检验：当只奖励正确答案时，大模型是否会自发强化对话式行为，为此，作者设计并实施了一项自教式强化学习（self-taught RL）实验。结果显示对话式结...

这不是离职八卦，而是在一个把技术做成剧情、把研究变成围观的行业里，扛了七年高压后的选择。

[观看、推理与搜索：面向智能体视频推理的开放网络视频深度研究基准](https://arxiv.org/abs/2601.06943)

近年来，扩散模型与流匹配模型等生成式 AI 技术在视觉内容创作领域取得突破性进展，从艺术设计到医疗成像，应用场景不断拓展。而强化学习从人类反馈（RLHF）技术的...

生成式人工智能（Generative AI）凭借其强大的内容生成能力，已在自然语言处理、代码生成、多模态创作等领域实现规模化应用。然而，伴随其广泛落地的是严峻的...

在使用基于可验证奖励的强化学习（RLVR）训练大语言模型（LLMs）时，一个最引人注目的问题是如何克服性能瓶颈。先前某中心的解决方案——延长强化学习（ProRL...

为了解决这一核心痛点，香港中文大学（深圳）与微软团队联合提出了 TARS (Trajectory Alignment for Reasoning in Spee...

正如其推文总结的那样，我们先给出几个关键词：并行思考、迭代式总结、环境规模扩展（Environment Scaling）、多环境大规模强化学习（Multi-En...

训练单个 RL 智能体的过程非常简单，那么我们现在换一个场景，同时训练五个智能体，而且每个都有自己的目标、只能看到部分信息，还能互相帮忙。

仓库包含了PiPER RL的简单演示代码，演示了如何使用PiPER RL训练一个简单的任务： Reach Target，任务要求PiPER的夹爪中心到达指定的目...

仓库包含了PiPER RL的简单演示代码，演示了如何使用PiPER RL训练一个简单的任务： Reach Target，任务要求PiPER的夹爪中心到达指定的目...

强化学习正在快速发展，在游戏、机器人控制、自动驾驶、推荐系统等领域都有广泛应用。掌握Q-Learning等基础算法是深入理解强化学习的重要第一步。希望本文能够为...

强化学习（Reinforcement Learning, RL）是机器学习的一个重要分支，专注于智能体（Agent）如何通过与环境（Environment）的交...

在智能系统中，应用范围涵盖自主机器人到预测性维护问题。要控制这些系统，需要模型来捕捉其核心要素。当为这些模型设计控制器时，我们几乎总是面临同一个挑战：不确定性。...

LMArena在强化学习方向同样野心勃勃。联合创始人Ion Stoica早前就透露过，公司正考虑用海量用户投票数据来训练AI模型——这就是传说中的RLHF（Re...

强化学习训练过程涉及模型多，数据流转复杂，经典的“串行”训练框架，存在资源闲置，训练效率低的情况。 verl 通过自动映射算法进行计算资源的智能规划，通过混合编...

随着模型参数规模扩大、生成序列变长以及混合专家（MoE）等稀疏结构的应用，RL训练的稳定性成为制约技术落地的核心瓶颈。围绕“解决训练不稳定性、提升样本效率”这一...

直接偏好优化（Direct Preference Optimization DPO）的核心理论突破在于通过数学变换，将 “奖励建模 + 策略优化” 的 RLHF...

群组相对策略优化 GRPO（Group Relative Policy Optimization）通过消除额外价值函数带来的内存和计算开销，降低了 LLM 强化...