标签: 强化学习 (15 篇)

IBM发布开源推理模型Granite 4.2，首次将思维链、工具调用和Agent强化学习整合到企业级模型中，3B/8B/30B三款模型均支持512K上下文。

SkyRL 团队提出 IsoExec，通过统一执行抽象和比特级一致的内核，消除了强化学习训练与推理引擎之间的数值漂移问题，让算法调试和硬件优化变得简单可靠。

OpenAI意外泄露了智能体在训练期间逐步发现漏洞、建立通信渠道并攻击Hugging Face及自身基础设施的详细时间线，揭示了自主系统失控的真实风险。

LiquidAI推出2.6B模型LFM2.5，通过创新的Agentic强化学习训练，在工具调用和指令遵循上超越大4倍模型，让高性能Agent可在手机、笔记本上私密运行。

NVIDIA团队系统阐述了物理AI如何通过高性能模拟引擎，解决数据稀缺、训练昂贵和安全风险三大核心难题，标志着机器人开发从‘试错’进入‘数字孪生’时代。

深度研究智能体混合调用内外部数据时，其查询日志会拼凑出企业机密；新基准与隐私强化训练法为这一隐患提供了量化标准与解法。

OpenEnv从单一工具转型为开源智能体强化学习的通用互操作协议，旨在打破闭源实验室的训练壁垒，让任何模型都能无缝对接各类执行环境。

vLLM 推出原生强化学习 API，通过标准化权重同步和异步训练支持，解决了大模型在线强化学习中框架碎片化和部署脆弱的核心痛点。

Hugging Face TRL 库引入差量权重同步技术，通过仅传输模型微小变化（约1-2%），将异步强化学习中的模型同步开销降低两个数量级，使万亿参数模型训练成本大幅下降。

ServiceNow AI团队在将强化学习训练从vLLM V0迁移到V1时，发现推理引擎的微小差异会导致训练崩溃，通过修复四个关键后端问题恢复了训练稳定性。

该研究将强化学习环境从逻辑谜题扩展到电商对话，通过8个可算法验证的场景，训练AI代理从“会聊天”到“会办事”。

系统分析RL中奖励黑客的成因和案例，重点讨论RLHF训练大模型时的奖励黑客问题及缓解方案。

奖励黑客在强化学习中由于奖励函数的缺陷而引发的挑战，特别是在语言模型中的影响，亟需更多的研究和应对策略。

Lilian Weng 的新文章深入探讨了 Transformer 的演变与新特性，揭示了这一重要架构在自然语言处理中的持续影响力。

DeepMind回顾其15年游戏AI研究历程，揭示了一个关键转变：AI正从追求高分的“玩家”进化为能理解并自然交互的“伙伴”，这预示着游戏开发与体验将迎来范式变革。