上海电气集团股份有限公司于2025年4月申请了一项名为“机器人的训练方法、系统、电子设备以及存储介质”的专利，并于2025年6月公开。该专利聚焦于提升机器人训练的效率与任务成功率，标志着 工业机器人 技术在 仿真模拟 和 智能控制 领域的进一步探索。

学术界也对强化学习的价值给出了极高评价。3月5日，对这项技术做出开创性贡献的安德鲁·巴托（Andrew Barto）和理查德·萨顿（Richard Sutton），获得本年度的图灵奖。

编者按： 本文首先解析了为什么 LLM 训练需要强化学习，详细讲解了 RL 和 RLHF 的工作原理；继而系统比较基于价值、基于策略和 Actor-Critic 三大强化学习范式的优缺点；最后深入剖析 TRPO 和 PPO 算法，重点展示 GRPO 如何通过分组结构和相对优势估计实现训练效率 ...

针对股票市场高度动态和非线性的价格波动预测难题，韩国研究团队提出融合时空相关性的改进型PPO算法（CGPPO）。该研究通过构建股票相关性图，结合LSTM网络与深度强化学习（DRL），在三星电子等四支韩国股票数据中验证了模型有效性，训练阶段奖励收敛值达 ...

为解决海上状态空间预测不准和多船偏离《国际海上避碰规则》(COLREGs)的决策难题，研究人员提出了一种基于门控Transformer的 ...

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 —— ...

RLHF第三步：强化学习微调 使用奖励模型的评分结果作为奖励信号，利用PPO等算法更新语言模型的策略，使其输出更符合人类偏好。 RLHF第一步要创建 ...

接着我们将探讨不同的强化学习范式，包括基于价值的强化学习、基于策略的强化学习和 Actor-Critic 强化学习，回顾经典算法如置信域策略优化（TRPO）和近端策略优化（PPO），最后解析 GRPO 带来的优化创新。 在将强化学习引入大语言模型训练之前，自然语言处理 ...

在机器人领域，强化学习（RL）技术正在推动着令人惊叹的进步，但长时间的训练周期和复杂的算法设计一直是阻碍这一技术广泛应用的主要瓶颈。2025年5月，来自加州大学伯克利分校的研究团队（Younggyo Seo、Carmelo ...