测试时缩放（TTS，Test-Time Scaling）是一种提升大语言模型推理能力的新兴策略，通过在测试阶段优化推理过程（如多数投票、蒙特卡洛树搜索等）提升大型语言模型（LLMs）的性能，而无需修改模型参数。

现有的基于强化学习的方法需要精心设计针对特定任务的奖励函数，这通常限制了任务的复杂性，并可能导致机器人动作的不自然；另一类基于遥操作的方法成本高昂、效率低下，且所采集的数据通常针对特定的本体，缺乏通用性。

今天，咱们就用通俗易懂的方式，深入剖析一下这个让 DeepSeek-R1 大放异彩的 GRPO 算法！ 在大语言模型的微调环节，强化学习（RL）起着举足轻重的作用。一直以来，近端策略优化（PPO）算法都是 LLM 微调的常用手段。但随着模型规模越来越大，PPO 的问题逐渐暴露 ...

这是一个基于MATLAB的强化学习框架，包含近端策略优化（Proximal Policy Optimization, PPO）算法及其多智能体扩展版本（MAPPO），支持GPU加速和并行计算，适用于控制系统研究和工程应用。 欢迎通过Issue和Pull Request提交改进建议和贡献代码。

今天读了最近非常重要的一篇文章，来自 OpenAI 的 Agent 研究员 Shunyu Yao 姚顺雨。他参与的项目包括 ReAct, Reflexion, Tree of Thoughts, ...

这项由伊利诺伊大学厄巴纳-香槟分校的钱程、Emre Can Acikgoz、何琦、王宏儒、陈秀思、Dilek Hakkani-Tür、Gokhan ...

姚顺雨表示，AI接下来比拼的不是训练，而是“如何定义并评估真正有用的任务”，得像产品经理一样重新思考：AI究竟该为谁解决什么问题、又该如何衡量“解决得好不好”。 还记得 AlphaGo ...

还记得 AlphaGo 刚击败李世石时，全世界惊呼“人工智能时代来了”，转眼不过几年，ChatGPT、o‑系列 模型已经把“智能”从棋盘和试卷一路卷到代码、创作甚至电脑屏幕背后的每一次点击清华姚班出身大牛，现任OpenAI 研究科学家姚顺雨在最新长文 ...

在计算机与人工智能的发展历史中，强化学习的思想至少可以追溯到图灵（Alan Turing）。早在1950年，他就提出过一种基于奖惩机制的机器学习方法。而若将视野拓宽至更广阔的认知和心理学领域，强化学习显然也深受斯金纳（B.F.