突破后训练瓶颈？Meta超级智能实验室力作：CaT解决RL监督难题
在 AI 领域，大家通常采取后训练方式来让模型获取专项技能。然而后训练一般依赖带有标注参考的监督微调，或通过可验证的程序化检查器提供奖励。
rl
突破后训练瓶颈？Meta超级智能实验室又一力作：CaT解决RL监督难题
这就带来一些问题，目前许多有价值的任务可能同时缺乏这两种资源。例如在不可验证的场景中（临床、自由对话和创意写作），可能存在多个有效答案，确定性规则检查难以实施。
Tool-Integrated RL 会是 Agents 应用突破 「基模能力限制」 的关键吗？
不止通用模型公司在烧钱，Vertical AI 也在疯狂卷融资？「裁人头」换 「agent 员工」是否是未来 AI 公司发展唯一解？「Copilots」和「AI-enabled Services」模式能否换来「Massive Delta」的新突破？从几百万到上
攻克大模型训推差异难题，蚂蚁开源新一代推理模型Ring-flash-2.0
“MoE+Long-CoT（长思维链）+RL（强化学习）” 这条技术路线存在难以兼顾训练稳定性和效果的难题。9 月 19 日，蚂蚁百灵大模型团队把 “难啃的骨头” 直接做成开源礼包 ——Ring-flash-2.0。100B 总参、6.1B 激活，数学 AIM
腾讯AI Lab首创RL框架Parallel-R1，教大模型学会「并行思维」
然而，现有方法多依赖于监督微调（SFT），模型一来只能模仿预先构造的 parallel thinking 数据，难以泛化到真实的复杂任务中，其次这种方式对数据要求很高，往往需要复杂的 data pipeline 来构造。
硅谷重金押注“环境训练”技术推动AI智能体发展
多年来，科技巨头CEO们一直在宣传AI智能体的愿景，即能够自主使用软件应用程序为人们完成任务。但试用一下当今的消费级AI智能体，无论是OpenAI的ChatGPT Agent还是Perplexity的Comet，你会很快意识到这项技术仍然存在很大局限性。要让A
硅谷重金押注&
多年来，科技巨头CEO们一直在宣传AI智能体的愿景，即能够自主使用软件应用程序为人们完成任务。但试用一下当今的消费级AI智能体，无论是OpenAI的ChatGPT Agent还是Perplexity的Comet，你会很快意识到这项技术仍然存在很大局限性。要让A
meta 智能体 硅谷 techcrunch rl 2025-09-17 13:50 9
Kimi-K2：让 AI 训练跑得更快，差的那「几秒钟」我们是怎么想的
目前在 LLM 的强化学习训练主要分为 colocate 和 disaggregation 两种架构，colocate 即训推共享 GPU 资源，会交替占用 GPU；disaggregation 即训推分离，各自占用不同的 GPU device。在这两种架构里
训练 broadcast rl ipc checkpoint 2025-09-17 11:35 9
王梦迪团队推出TraceRL：迈向扩散语言模型「RL大一统」
然而，业内目前缺少一个可适用于各种 DLM 架构（如全注意力 DLM 和块注意力 DLM）的统一且有效的强化学习（RL）框架。同时，现有研究也忽视了对齐推理轨迹与训练目标的重要性。
清华、上海AI Lab等团队发布推理模型RL综述，通往超级智能之路
在 2013 年，DeepMind 就展示过一个小实验：用 RL 训练的智能体，只凭屏幕上的像素和得分反馈，就能学会玩上世纪的街机游戏《打砖块》。几年后，AlphaGo 和 AlphaZero 更是通过自我对弈和奖励信号，超越了世界顶尖棋手，在围棋、国际象棋和
2025.9回顾过去1年的LLM圈进展与展望
最近新东西不多，但又觉得应该写点什么，这时候就适合考古了。现在的AI圈是个非常能体现“人的记忆不超过3个月”的领域。
清华、上海AILab等顶级团队发布推理模型RL超全综述
在 2013 年，DeepMind 就展示过一个小实验：用 RL 训练的智能体，只凭屏幕上的像素和得分反馈，就能学会玩上世纪的街机游戏《打砖块》。几年后，AlphaGo 和 AlphaZero 更是通过自我对弈和奖励信号，超越了世界顶尖棋手，在围棋、国际象棋和
清华、上海AI Lab等顶级团队发布推理模型RL超全综述，探索通往超级智能之路
在 2013 年，DeepMind 就展示过一个小实验：用 RL 训练的智能体，只凭屏幕上的像素和得分反馈，就能学会玩上世纪的街机游戏《打砖块》。几年后，AlphaGo 和 AlphaZero 更是通过自我对弈和奖励信号，超越了世界顶尖棋手，在围棋、国际象棋和
攻克强化学习「最慢一环」！交大字节联手，RL训练速度飙升2.6倍
随着DeepSeek、GPT-4o、Gemini等模型的激烈角逐，大模型“深度思考”能力的背后，强化学习（RL）无疑是那把最关键的密钥。
SimpleTIR：让大模型“边写代码边思考”不再崩溃
“在某个样本中，模型第1 轮思路清晰，第 2 轮开始胡言乱语，第 3 轮直接输出一堆乱码。训练到后期，模型性能像过山车一样垂直下坠。”
SFT远不如RL？永不过时的剃刀原则打开「终身学习」大模型训练
我们已经进入了大模型时代，越来越多的应用依赖大模型的能力，可以说大模型已经成为智能化基础设施的核心组成部分，支撑着语言，视觉分析，智能驾驶，机器人等各种下游应用。
SFT远不如RL？永不过时的剃刀原则打开「终身学习」大模型训练的大门
我们已经进入了大模型时代，越来越多的应用依赖大模型的能力，可以说大模型已经成为智能化基础设施的核心组成部分，支撑着语言，视觉分析，智能驾驶，机器人等各种下游应用。
高情商AI Agent来了，剑桥团队推出进化RL框架EvoEmo，靠愤怒、悲伤成功“讨价还价”
在日常生活中，谈判无处不在：网购时“卖家再降 50”就下单，租房时跟房东争取“押一付一”，在职场上和客户敲定合作细节…… 这时候，“情感技巧”往往是关键，比如假装犹豫说“预算真的不够了”，或是适度表达期待，总能让谈判朝着对自身更有利的方向发展。
Altman亲自发博客点赞，这两大杰出人才是谁？
今天，Altman 则通过一篇博文特别介绍了两位居于幕后的核心研究员：Jakub Pachocki和Szymon Sidor，称他们在结合前沿研究与工程实践方面解决了诸多难题，对 OpenAI 的发展至关重要。
高情商AI Agent来了！剑桥团队推出进化RL框架EvoEmo“讨价还价”
在日常生活中，谈判无处不在：网购时“卖家再降 50”就下单，租房时跟房东争取“押一付一”，在职场上和客户敲定合作细节…… 这时候，“情感技巧”往往是关键，比如假装犹豫说“预算真的不够了”，或是适度表达期待，总能让谈判朝着对自身更有利的方向发展。