「RL Infra」共找到 342 篇相关文章
真机RL杀疯了！机器人自学20分钟100分，数字孪生封神
至简动力等提出数字孪生协同强化学习框架 TwinRL，可在真机高效执行在线强化学习。它用手机构建数字孪生，让机器人先探索再真机操作，20 分钟达 100%成功率，比现有方法快 30%，还降低人类干预。
首个大规模记忆湖发布，AI Infra跑步进入“记忆”时代
LLM是AI的“第一大脑”，记忆平台是“第二大脑”。当前AI企业应用进入生产力时代，竞争聚焦“隐性知识”记忆化。质变科技发布MemoryLake，具备多方面能力，在性能上优势显著，已服务众多用户和企业。
自搜索强化学习SSRL：Agentic RL的Sim2Real时刻
本文由多机构联合完成，引入自搜索强化学习SSRL。它利用结构化prompt和format reward提取模型world knowledge，降低幻觉。还探索Sim2Real有效性，验证SSRL训练模型在真实场景泛化性，且所有训练数据等已开源。
63页的面向AI搜索范式：Multi-agent、MCP、DAG、RL
百度搜索发布63页《迈向人工智能搜索范式》Paper，介绍模块化、多智能体框架，新范式协调四个专门LLM代理处理搜索事务，还提及新内容及重要性，为下一代AI搜索系统提供基础。
长程 Agent 越跑越乱？ContextPilot 用细粒度 RL 教会模型主动管理上下文
长程 Agent 推理时，传统方法使上下文臃肿、推理成本高。清华、腾讯等团队提出 ContextPilot 框架，扩展管理工具集、采用新采样和信用分配方法。实验显示其用短上下文获高分，降低推理开销。
测试时也能RL，英伟达等提出全新范式：TTT-Discover
近日，斯坦福、英伟达、Together AI 等联合开源全新测试时新范式 TTT - Discover，在测试阶段用强化学习微调模型，以刷出 single best 结果，用几百美元就刷新诸多领域 SOTA。
Meta最新大模型RL微调：在线DPO/GRPO显著优于离线DPO
Meta和NYU研究强化学习在大模型微调中的有效性，对比离线、半在线和在线训练范式。半在线和在线显著优于离线，多任务结合可验证与不可验证任务能提升性能，还给出不同任务的测试数据。
行业迎来大洗牌！4万 Agent 挤进一个机柜，AI Infra 要如何构建？
当 AI 从聊天机器人变为 Agent 后，AI 基础设施逻辑改变。浪潮信息副总经理赵帅判断，Agent 迫使 AI 基础设施重新分工，带来新的 CPU 计算需求。企业需关注资源分配、成本控制、系统重构等问题。
全行业的「龙虾热」中，什么是AI Infra下半场的「神之一手」？
OpenClaw爆火，标志AI进入「自主执行时代」，但面临安全、资源利用和并发规模等挑战。腾讯云Agent Runtime为企业级AI智能体打造专业支持，解决状态管理和行为治理难题，还助力MiniMax突破性能瓶颈。
这个情人节，AI深吻Math！国产RL系统多维突破300年亲吻数难题
2月14日情人节，上智院等联合研发的PackingStar强化学习系统，在多维度刷新亲吻数与广义亲吻数纪录，实现数学结构领域多维度、系统性突破。它将复杂几何问题转化为可训练游戏，成果获权威认可。