推荐文章8

Unsloth：强化学习入门与GRPO训练指南

机器之心2025-06-22

AI 摘要

Unsloth团队发布强化学习教程，从RLHF、PPO到GRPO，介绍如何用GRPO训练推理模型。讲解强化学习概念、各方法区别，分享训练技巧和奖励函数设计示例，助初学者入门。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

传英伟达拟收购Reflection AI

本文是InfoQ编译的科技播客访谈，Reflection AI由前Google DeepMind Gemini团队成员创立，近期发布了5010亿参数的开放大模型Beam，主打编程、推理和智能体任务，发布一周后传出英伟达拟收购该公司的消息，访谈中分享了对开放模型诸多问题的观点。

本文报道九章云极言表实验室在陶哲轩发起的数学蒸馏挑战赛第二阶段拿下全部赛道满分，解决28个未解决开放数学问题，介绍了其可验证AI+强化学习的AI4S布局。

本文是对前OpenAI研究员、TypeSafe创始人Diogo Almeida的访谈，Diogo推出新型大模型Jev，批判现有Codex、Claude Code等AI产品的路线缺陷，提出面向程序直接调用的AI新方向。

本文介绍南洋理工大学等机构研究团队提出的V-Rubrics方法，解决多模态推理中结果正确但推理错误的奖励分配误区，通过35万条细粒度准则拆分奖励计算，有效提升模型性能，论文已被EMNLP 2026主会接收，代码与数据已开源。