过去的研究多数持悲观态度：认为 RL 带来的收益非常有限，有时甚至会让模型「同质化」加重，失去多样性。然而，来自英伟达的这项研究指出，造成这一现象的根本原因在于：数学、编程等任务在 base model 的训练数据中被过度呈现，以及 RL ...

机器之心发布机器之心编辑部想训练属于自己的高性能推理模型，却被同步强化学习（RL）框架的低效率和高门槛劝退？AReaL 全面升级，更快，更强，更好用！来自清华大学交叉信息院和蚂蚁技术研究院的联合团队，正式开源全异步强化学习训练系统 —— ...

在大模型的训练中，强化学习算法一直是提升模型性能的关键。然而，其面临着计算资源要求高、训练速度慢等问题，让普通企业机构望而却步。面对行业共性难题，近日，在360数字安全集团冰刃实验室主导下，打造出“轻量化、高性能”的AI训练方案：RL-LoRA，在保 ...

使用使用无监督方法「单样本熵最小化」（One-shot Entropy Minimization, 简称One-shot EM），仅需一条未标注样本和约10步优化，即可在推理任务上达到甚至超越依赖成千上万条数据和精心设计的奖励机制的RL方法的效果。

数据枯竭正成为AI发展的新瓶颈！CMU团队提出革命性方案SRT：让LLM实现无需人类标注的自我进化！SRT初期就能迭代提升数学与推理能力，甚至性能逼近传统强化学习的效果，揭示了其颠覆性潜力。

对此，西北大学与Google、谷歌DeepMind团队质疑了传统强化学习与反思的关系，并提出了贝叶斯自适应的强化学习方法， 首次解释了为什么、如何、以及何时应该反思并探索新策略 。 通过对比分别使用传统强化学习和新方法训练的模型，研究人员发现： ...

在人工智能领域，技术的进步总是伴随着全新的挑战和机遇。近期，通义实验室的自然语言智能团队宣布了一项重大突破，他们成功研发并开源了名为VRAG-RL的多模态推理框架。这个框架的推出，标志着AI在处理复杂视觉信息时迈出了重要一步，尤其是在真实业务场景中如何从多样化的视觉语言中提取关键信息并进行精准推理。

在使用标准 GRPO 裁剪的情况下，随机奖励为 Qwen2.5-Math-7B 带来了约 21% 的性能提升，并增加了代码推理模式。但是，当我们通过上述三种方法中的任何一种消除裁剪效应时，随机奖励并未带来任何改善。

在初始实验中，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。然而，无论超参数设置如何，检测性能在数十步之后都会持续下降。日志分析表明梯度范数异常大且出现峰值（通常 >1），这表明不稳定源于 ViT。对此分析，MiniMax ...

他开始接触强化学习（RL），从此就成为了RL的忠实信徒，即使在这一技术路线陷入最低谷时也从未想过放弃。 后来他在Meta带领边缘化的 RL 团队逆势 ...

文中研究者们对当前“纯 RL 有利于提升模型推理能力”的主流观点提出了相反的意见。 通过一系列实验，他们证明引入强化学习的模型在某些任务 ...

首先，在深入阻抗匹配方程之前，我们需要了解两个基本概念：RC和RL电路的品质因子以及这些电路的串并联转换。 RC和RL电路的品质因子定义 用Q ...