这个研究挑战了强化学习仅能放大现有模型输出能力的传统观点，通过实验证明长期强化学习训练（ProRL）能够使基础模型发现全新的推理策略。ProRL方法体系包含KL散度控制机制、参考策略重置技术以及多元化任务训练集。

距离ChatGPT发布已经过去两年多了，现在的主流大模型已经很不同了，最大的区别就是推理Reasoning能力的发掘和应用。什么是推理？举一个很简单的例子。比如有一道很简单的数学题，27+62=？，传统大模型（LLM，Large Language ...

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。

在人工智能领域，特别是大语言模型的训练与优化上，一项重要的研究成果于2025年5月29日由微软研究院的研究团队发布在arXiv预印本平台上。这项名为《基于最优奖励基线的在策略强化学习》(On-Policy RL with Optimal Reward ...

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 ...

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 ...

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 ...

自“清朗·网络平台算法典型问题治理”专项行动开展以来，针对网民反映强烈的算法推荐加热低俗信息、加剧“信息茧房 ...

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 ...

微软称其暂不打算发布 27xxx 版本 SDK。IT之家翻译更新公告如下： 正如本周 Build 大会上宣布的，我们正在 NCrypt / BCrypt 加密 API 界面和 Crypt32 证书 API 中新增对后量子数字签名算法 ML-DSA 的支持。 现支持 ML-DSA 44/65/87 三种不同版本。在 Build 27858 及更高版本中 ...