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

腾讯开源框架，一句话造3D世界

香港科技大学（广州）和腾讯团队开源VibeWorlding框架，实现说句话造3D世界。它由VWE - Bench和VibeWorlding - Gym组成，开源模型经强化学习训练后成绩逆袭，证明强化学习解锁3D推理潜力巨大。

OpenAI发文称暂停最新模型强化学习训练两周，加固研究环境、进行红队测试等。部分低风险训练已恢复，最大规模前沿模型训练仍暂停。此举源于Hugging Face安全事故及Astra模型潜在风险。

文章围绕华为AI芯片发展展开，提及方兴东《昇腾崛起》记录其历程。从战略觉醒到技术研发、应对制裁，华为历经曲折，如提出“韬定律”，发布多款芯片，在逆境中构建生态、拓展市场，展现强大实力与坚韧。

OpenMOSS团队开源的World Critic Model（WCM），解决了视觉 - 语言 - 动作模型强化学习（VLA - RL）中批评家模型（Critic Model）仅依赖单帧观测打分的问题。WCM让Critic学习预测执行动作后的潜在状态，代码等全开源，验证效果显著。