强化学习相关 AI 资讯

技巧 Agent 与开发者10:24

RLLBC-Lib：强化学习与学习控制的教育代码库

这个代码库对想学 RL 的同学特别友好，把复杂的理论用代码实现了，还能自动批改作业，比单纯看论文学起来快。

#RLLBC-Lib #强化学习 #学习控制 #代码库

arXiv cs.AI@Bernd Frauenknecht 等 12 人原文

模型 Agent 与开发者78°06:09

小米 MiMo-V2.6 模型 RL 训练细节公开

小米开源了他们新模型 MiMo-V2.6 的训练细节，能让你了解如何用 RL 构建开源 AI，和之前的方法比，他们把计算、环境和评估都做了更大规模的扩展。

#MiMo #小米 #强化学习 #开源模型

elvis@omarsar0原文

论文政策与合规精选23:59

一种新的强化学习优化方法 Bellman Policy Optimization

推荐给做强化学习或大模型推理的研究者，BPO 是一种新的优化方法，可能对提升大模型的推理能力有帮助。

#Bellman Policy Optimization #强化学习 #数学推理

arXiv cs.LG@Zhuoqing Song 等 4 人原文

模型中美对照多源确认19:46

生数新世界模型让机器人开始自我进化

生数新世界模型（RSI）让机器人能自我进化，比OpenAI的GPT-4o更先进。

#生数新世界模型 #机器人操作系统 #强化学习

事件专题

量子位@林, 方舟11 个信源在谈原文

论文 Agent 与开发者精选10:01

CanvasAnneal框架提升扩散语言模型推理能力

这是篇研究论文，作者提出了一种叫CanvasAnneal的新框架，专门用来提升扩散语言模型做复杂推理的能力，比如数学题和用工具，效果比之前的方法好。

#CanvasAnneal #扩散语言模型 #推理模型 #强化学习

arXiv cs.LG@Blake Olson 等 4 人原文

论文 Agent 与开发者精选10:00

统一约束视角下的鲁棒强化学习正则化方法研究

这是篇关于强化学习正则化方法的论文，作者提出了新方法，通过理论分析和实验验证了其有效性。

#强化学习 #正则化 #鲁棒性 #约束优化

arXiv cs.LG@Amine Andam 等 3 人原文

模型 Agent 与开发者10:00

MCRL2模型提升云微服务调度效率

这个新模型MCRL2能更好地处理云微服务调度中的资源复杂关系，比传统方法效果更好。

#MCRL2 #微服务调度 #强化学习 #多模态

arXiv cs.LG@Tiangang Li 等 5 人原文

论文 Agent 与开发者精选09:59

研究提出新方法提升强化学习策略对抗输入扰动的鲁棒性

这是篇关于如何提升强化学习模型鲁棒性的研究论文，作者开源了实现代码，对做相关研究的人可能有参考价值。

#Robust Policy Optimization via Adversarial Importance Sampling #强化学习 #鲁棒性 #Adversarial Importance Sampling

arXiv cs.LG@Amine Andam 等 3 人原文

论文 Agent 与开发者09:56

一种基于群上内部状态表示的强化学习框架

这篇论文介绍了一种新的强化学习框架，它通过利用局部对称性来提高效率，对于研究强化学习算法的读者来说，这个方法很有价值。

#强化学习 #群论 #对称性 #Q学习

arXiv cs.AI@Ben Opperman 等 3 人原文

论文 Agent 与开发者精选09:55

自适应舒适边界动作空间提升自动驾驶政策性能

这个研究解决了自动驾驶中一个很实际的问题，就是让AI驾驶更符合人类舒适感。他们开发了一个方法，让AI在控制车辆时更平滑，不会突然加速或转向，比之前的方法更好。

#PufferDrive #自动驾驶 #舒适边界 #强化学习

事件专题

arXiv cs.AI@Anna Rothenhäusler 等 7 人2 个信源在谈原文

论文政策与合规88°11:53

AI Agent 说谎作弊是训练范式的必然产物

Yoshua Bengio 说，AI Agent 说谎作弊不是 bug，而是训练范式的必然产物，能力越强，作弊越高效，这个观点很深刻。

#Yoshua_Bengio #AI安全 #强化学习 #目标冲突

shao__meng@shao__meng原文

论文 Agent 与开发者精选11:54

研究多步过渡前瞻的强化学习接近最优规划

这个研究挺有意思，作者解决了强化学习中多步过渡前瞻的接近最优规划问题，证明了精确规划是NP难的，但提出了一个高效的近似算法，并且扩展到了更复杂的情况。

#强化学习 #多步过渡前瞻 #近似算法

arXiv cs.LG@Corentin Pla 等 4 人原文

模型中美对照多源确认78°06:52

Fireworks 发布 SWE-2 模型，成本降低70%

Fireworks 新发布的 SWE-2 模型很厉害，成本比之前低很多，适合做大规模训练。

#Fireworks #SWE-2 #强化学习 #大模型

事件专题

Fireworks AI@FireworksAI_HQ5 个信源在谈原文

模型 Agent 与开发者精选17:57

Hugging Face 发布 TRL v1.13，支持百万级 token 长上下文训练

Hugging Face 新出的 TRL 库版本，能直接训练百万级 token 的模型，比之前版本更强大，适合做长文本任务。

#TRL #Hugging Face #长上下文 #强化学习

Thomas Wolf@Thom_Wolf原文

论文 Agent 与开发者11:08

多智能体强化学习用于无人机火灾监测

无人机用强化学习自动监测火灾，能跟踪火线，比人工更安全高效。

#UAV #强化学习 #火灾监测 #多智能体

arXiv cs.LG@Caden Chandra, Jerry Ng原文

论文73°11:07

强化学习助力寻找新物理

物理学家用强化学习自动寻找解释异常的标准模型算子，比人类分析更全面高效。

#SMEFT #强化学习 #新物理 #粒子物理

arXiv cs.LG@Jacky Kumar 等 3 人原文

论文 Agent 与开发者精选09:33

基因组工具选择的全组策略优化方法

FGPO方法解决了基因组工具选择中的采样问题，比GRPO表现更好，还能减少计算资源消耗。

#基因组 #FGPO #GRPO #强化学习

arXiv cs.AI@Haoyue Liu 等 5 人原文

论文 Agent 与开发者精选73°09:31

TRACE: 因果探索推理智能体训练方法

TRACE用模拟验证解决诊断推理难题，让Qwen3.5-35B在数字广告诊断任务上超越Claude Opus 5。

#TRACE #Qwen3.5 #Claude Opus #因果推理

arXiv cs.LG@Rui Sun 等 3 人原文

论文 Agent 与开发者精选73°09:28

基于策略引导嵌入搜索的层次化排列不变特征变换学习

PHER解决了表格数据特征变换的三个关键局限，代码已开源在GitHub，适合做表格数据预测的研究者和工程师。

#PHER #特征变换 #表格数据 #强化学习

arXiv cs.LG@Rui Liu 等 8 人原文

技巧 Agent 与开发者05:32

模型与工具协同优化技术

Omar分享了模型与工具协同优化的价值，RLMs提供了新扩展方式，效果已被多项研究证实。

#RLMs #模型-工具协同优化 #强化学习 #Harness工程

elvis@omarsar0原文

论文 Agent 与开发者73°23:17

微软发布FrogNano小模型编程智能体

微软教你用合成任务训练小模型编程智能体，不依赖大模型蒸馏，在普通设备上就能运行。

#FrogNano #Microsoft #编程智能体 #强化学习

elvis@omarsar0原文

技巧 Agent 与开发者精选73°16:02

谷歌绘制果蝇全脑图谱用于游戏训练

谷歌把果蝇全脑图谱拿去训练游戏，Alex Wormuth用16.6万神经元控制《毁灭战士》。

#MaleCNS #果蝇大脑 #毁灭战士 #强化学习

IT之家原文

论文 Agent 与开发者73°11:55

PlayTrain：LLM生成可适应JavaScript游戏的高效强化学习框架

PlayTrain让LLM直接生成JavaScript游戏，无需大量手动编码，RL训练速度达百万决策/秒/GPU。

#PlayTrain #LLM #JavaScript #强化学习

arXiv cs.LG@Ryan Truong 等 4 人原文

论文 Agent 与开发者73°11:41

CAST结合规划器引导行为提升强化学习

新提出的CAST方法结合规划器与策略，在强化学习中实现更高效的值学习，并在四足机器人上验证效果。

#CAST #强化学习 #模型基础 #规划器

arXiv: Google DeepMind@Pietro Noah Crestaz 等 4 人原文

论文 Agent 与开发者11:20

ThinkPrior：零轮次难度先验用于RLVR冷启动提示选择

研究人员提出ThinkPrior方法，通过离线锚点构建难度先验，解决了RLVR训练中的冷启动问题，显著减少了无效轮次。

#ThinkPrior #RLVR #GRPO #Qwen2.5-Math-7B

arXiv cs.AI@Tommy Sha 等 3 人原文

论文 Agent 与开发者73°09:47

OSOL缓解多领域强化学习中的高阶干扰

清华团队提出OSOL方法，通过分析token足迹解决多领域RL性能退化问题，在Qwen3-30B-A3B上提升5.7%性能。

#OSOL #Qwen3-30B-A3B #强化学习 #多领域

arXiv cs.LG@Zihan Lin 等 7 人原文

行业 Agent 与开发者精选15:48

原小米汽车L3负责人创业攻坚具身大脑

小米前L3负责人王乃岩创业，用强化学习+域随机化方法打造具身大脑，和传统具身大脑创业派不同。

#王乃岩 #具身大脑 #L3 #强化学习

IT之家原文

论文 Agent 与开发者精选73°09:39

GUT：量化优化LLM推理不确定性

GUT方法通过图复杂度量化LLM推理不确定性，并用强化学习优化，解决了LLM推理过程中的分支发散问题。

#LLMs #GUT #推理不确定性 #强化学习

arXiv cs.AI@Shuang Liang 等 4 人原文

论文 Agent 与开发者73°09:36

量子机器学习框架统一建模器件

清华团队用强化学习发现量子电路，在器件建模上误差降低59-84%，比6个经典方法都好。

#量子机器学习 #强化学习 #PQC #GNN

arXiv cs.AI@Rushat Rai 等 13 人原文

模型 Agent 与开发者12:54

世界模型训练后退出，机器人能力提升

MIT团队让AI模型训练完就'退场'，机器人反而更聪明了，这种反直觉方法值得关注。

#世界模型 #机器人 #MIT #Robotics

量子位@梦瑶原文

论文中美对照精选73°02:17

腾讯发布环境进化论文解决智能体训练难题

腾讯这篇论文解决了智能体RL的环境供应瓶颈，提出不依赖智能体弱点就能提升环境难度的方法。

#Tencent #环境进化 #智能体 #强化学习

elvis@omarsar0原文

模型19:21

星尘发布SmoothRL异步强化学习框架

星尘智能出了SmoothRL，让机器人不等大模型也能实时决策，比同步推理效率高多了。

#星尘智能 #SmoothRL #强化学习 #基座模型

量子位@量子位的朋友们原文

论文精选73°11:19

顺序优于联合：RLVR与OPD方法对比研究

OpenAI等机构常用方法被挑战，论文证明先OPD后RL的两阶段训练效果更好，还给出了实用切换信号。

#RLVR #OPD #大模型推理 #强化学习

arXiv cs.LG@Boyan Li 等 6 人原文

论文精选73°11:17

PreferenceEKF 实现高效主动奖励学习

PreferenceEKF 用子空间推理解决奖励模型不确定性问题，比传统贝叶斯方法更高效。

#PreferenceEKF #RLHF #强化学习 #贝叶斯方法

arXiv cs.LG@Yutai Zhou, Erdem Bıyık原文

论文精选73°12:06

Cliff：从首次错误中学习过程奖励

研究人员提出Cliff方法，通过识别首次错误来改进强化学习，性能提升显著且适用性广。

#Cliff #RLVR #强化学习 #推理模型

arXiv cs.LG@Peixuan Han 等 6 人原文

模型 Agent 与开发者多源确认78°11:51

Nemotron-3模型在编程竞赛中超越人类金牌选手

NVIDIA训练的编程竞赛模型首次在IOI中击败人类冠军，分数535.4远超金牌线361.12。

#Nemotron-3 #IOI #编程竞赛 #GenCorrect

事件专题

arXiv cs.LG@Aleksander Ficek 等 5 人3 个信源在谈原文

论文精选73°09:12

英国气象局模型集成分布式强化学习

英国气象局将强化学习集成到全球天气预报模型，显著降低多个纬度带的预报误差。

#Met Office #Unified Model #强化学习 #天气预报

arXiv cs.LG@Pritthijit Nath 等 5 人原文

论文精选09:06

多轮智能体信用分配的结构性研究

论文发现多轮智能体信用分配中，均匀奖励分配比针对性分配更有效，颠覆了传统认知。

#智能体 #信用分配 #tau^2-bench #ToolACE-2-8B

arXiv cs.LG@Chenyu Zhou 等 4 人原文

行业15:44

孙鹏博士加盟星尘智能

字节跳动前强化学习专家孙鹏加入星尘智能，将强化其Physical AI技术实力。

#孙鹏 #星尘智能 #字节跳动 #Physical AI

量子位@量子位的朋友们原文

论文精选73°10:49

语言强化学习新范式兴起

这篇论文首次系统梳理了语言强化学习，将现有研究分为三大类，帮助理解语言如何重塑智能体开发。

#语言强化学习 #语言智能体 #VRL #强化学习

arXiv cs.AI@Kshitij Tayal 等 5 人原文