「规模化RL」共找到 418 篇相关文章
VerlTool重塑Agentic RL的训练生态
当前LLM像‘缸中的大脑’，缺乏与外界互动能力。新范式ARLT兴起，但构建训练框架面临诸多挑战。VerlTool作为统一、模块化、高效的开源框架应运而生，解决难题，在多任务实验表现出色，推动LLM向智能体转变。
OpenClaw 之后，Agentic RL有了新训练范式
大模型技术推动AI从‘回答问题’迈向‘执行任务’，Agentic AI兴起。中国科大认知智能全国重点实验室提出Claw - R1项目，将前沿Agent Runtime与强化学习训练框架结合，为Agentic AI提供新训练基础设施。
规模化破局：中国无人驾驶全球突围｜甲子光年
在全球新能源与智能交通变革中，中国无人驾驶企业改写竞争逻辑。百度旗下萝卜快跑凭借12年研发，跨越‘用户规模断层’鸿沟，以‘倍速出海’策略在全球出行革命中争夺主动权，其出海模式与技术能力值得关注。
一点点偏差，为什么会把大模型 RL 带跑偏？
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。
人形机器人规模化前夜，硬件供应链是真正的深水区
过去三年，人形机器人行业投资火热，但供应链瓶颈成商业化关键制约。麦肯锡报告分析成本结构，指出执行器是成本大头且供应体系不成熟。全球供应风险分三档，中国供应链有优势，2035年格局或转变。
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。
DeepMind再登Nature：AI Agent造出了最强RL算法！
Google DeepMind团队提出DiscoRL，让智能体在多环境交互中自主发现强化学习规则，无需人类设计。它在Atari基准中击败MuZero，在未见过的游戏中也稳定高效，相关研究登《Nature》。
又走一个！OpenAI研究VP离职，转投Anthropic做RL研究员
OpenAI研究副总裁Max Schwarzer宣布离职，转投Anthropic做RL研究员。他曾主导o1、o3和GPT - 5系列post - training，因渴望回归一线研究而离开。OpenAI近年人才流失严重，而Anthropic虽面临与五角大楼交锋危机，但仍吸引人才。
SFT+RL双管齐下：ReasonGen-R1如何破解文生图「指令不遵」难题？
上海科技大学等机构提出 ReasonGen-R1 框架，结合链式推理监督微调与强化学习，提升自回归图像生成模型推理和创作能力，已全面开源。介绍了其训练阶段、实验结果及推理链模式。
极简RL新范式：一半算力刷新1.5B模型推理SOTA
过去为提升中小参数量模型推理能力，开发者构建复杂RL流水线。JustRL论文提出极简、单阶段、固定超参训练方案，在两主流1.5B模型上刷新SOTA，节省2倍算力，消融实验还揭示部分技巧会致性能退化。