算法论文8

华为：RL训练强大的Deep Research Agent

深度学习自然语言处理2025-09-10

AI 摘要

华为发布综述，指出新型AI代理训练面临挑战，传统SFT和DPO方法有局限，而RL可闭环交互、支持探索恢复等。论文从多方面提供训练路线图，还点明未来开放问题。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

华为升级AI数据平台解决Agent痛点

本文针对企业落地AI Agent遇到的知识口径不一、推理慢、风险不可控等痛点，介绍华为AI数据平台三大升级路线，结合案例说明方案价值。

本文指出AI算力扩张正遭遇电力供应刚性约束，GW级AIDC建设面临供电波动、绿电消纳等多重瓶颈，华为依托能源与算力领域的双重积累，推出源网荷储AIDC解决方案，重构能源算力协同体系，提升单位电力Token产出，并分析了华为的核心竞争优势。

本文结合EchoRL、ReflectRL两项最新研究，重新解读推理轨迹的训练价值，解决全答对无强化信号、错题全丢弃的训练痛点，梳理方法设计、实验结果与适用边界，为大模型推理训练提供新参考。

本文解读Together AI的新算法论文，讲解大模型强化学习中，采样端与训练端的微小偏差如何累积放大导致训练跑偏，介绍Score Centering校正方法的原理、效果与应用边界。