Parkour in the Wild Loarnins cerandeeniiio。Nikita Rudin，Junzhe He，Joshua Aurand and Marco Hutter。Robotics Systems Lab，ETH Zurich &

机械 rl zurich extensible framew 2025-06-11 20:07  4

近期，无监督RL在社区也掀起了一阵热潮，主打一个 多快好省（不能训太长step）有效果，且不论文章里面的evaluation是否存在问题，本文简要分析一下这些文章的出发点以及一些形而上学的直观分析。

llm 自然语言处理 rl uda 监督rl 2025-06-27 16:07  3

最近 RL 领域非常热闹，算法上涌现了各种神奇的操作：从少量数据、单条数据，乃至模型自产数据进行强化学习，甚至连标签错误的 RL 数据也能学到知识。这些进展都很有趣，但个人感觉尚未触及特别本质的突破。因此，我将更多精力转向了基础设施（Infra）层面。本文旨在

rl ray ipc slime slime框架 2025-06-27 13:47  3

过去几年，随着基于人类偏好的强化学习（Reinforcement Learning from Human Feedback，RLHF）的兴起，强化学习（Reinforcement Learning，RL）已成为大语言模型（Large Language Mode

训练 模型 智能体 开源 rl 2025-06-25 14:13  4

如果说我们此前报道过的Colorfly L1是以“极致轻量化”叩开了移动Hi-Fi的大门，让用户得以用拇指尺寸的设备触碰高品质音频的门槛，那么同期发布的Colorfly L2则显得更具野心——在延续轻量化基因的同时，Colorfly将旗舰级音频架构与元器件浓缩

耳机 音频 轻量化 rl colorfly 2025-06-24 17:37  4

基础模型严重依赖大规模、高质量人工标注数据来学习适应新任务、领域。为解决这一难题，来自北京大学、MIT等机构的研究者们提出了一种名为「合成数据强化学习」（Synthetic Data RL）的通用框架。该框架仅需用户提供一个简单的任务定义，即可全自动地生成高质

模型 数据集 rl gsm8k cqa 2025-06-24 18:00  5

最近在做一个跟强化学习有关的项目，在csdn等网站上了解了MDP，值函数等基本知识，接着学习Q学习、Sarsa等算法，但是感觉有些囫囵吞枣，有没有比较好的入门方法打好基础呢

学习 推理 rl kl rl训练 2025-06-23 19:58  4

在流媒体音乐与无损音频蓬勃发展的当下，越来越多人开始追求能够随时随地获得高品质听音体验。智能手机3.5mm耳机孔的集体消失，使得“轻量化Hi-Fi”的重任落到了便携解码耳放，特别是我们俗称的“小尾巴”身上。Colorfly最新推出的L1便携解码耳放，正是这一趋

手机 耳机 pcm rl colorfly 2025-06-23 09:40  4

在这个到处是大模型和深度学习的时代，很多人都开始怀疑，传统的强化学习方法是不是已经过时了。但 Sutton 的回应恰恰说明了一个核心问题：你越是在“黑盒”盛行的年代，越需要掌握最基本的原理。

模型 llm gym rl 圣经 2025-06-21 12:31  4

测试时扩展（Test-Time Scaling）极大提升了大语言模型的性能，涌现出了如 OpenAI o 系列模型和 DeepSeek R1 等众多爆款。那么，什么是视觉领域的 test-time scaling？又该如何定义？

视频 图像 rl sde evosearch 2025-06-11 03:22  5

我之前说过chatGPT的deepresearch 做的好是因为它的DR 引擎是o3强化版本的针对过search场景RFT过，所以体验比grok和google的DR要好，后两者更像deep search或者说我们用的更像deep search

rag llm rl deepresearch ppo 2025-05-11 23:53  6

在该模型发布的前几个小时，Mistral AI的CEO Arthur Mensch在接受炉边访谈时声称即将发布的Magistral能够与其他所有竞争对手相抗衡。

openai qwen rl r1 sota 2025-06-11 13:52  5

各位AI圈的老铁们，今天咱们来聊点硬核又不失风趣的话题——长上下文推理大模型的新晋王者：QwenLong-L1。别急着划走，这不是广告，而是一次技术圈的“吃瓜”现场，瓜保熟，技术干货管够！

模型 推理 llm rl token 2025-06-10 08:31  6

近期，当很多人还在纠结用什么 label 和 reward 训练大模型的时候，以及纠结用什么样的基准模型进行公平比较的时候，西湖大学 MAPLE 实验室另辟蹊径：既然 LLM 在复杂指令上表现不佳，需要引入单独的 SFT 或者 RL 过程，那为什么不让模型在推

推理 delta rl slot sft 2025-06-09 22:00  4

当DeepSeek-R1以更低成本实现类似性能突破时，Claude能够连贯工作数小时完成复杂任务时，意味着AI发展已经迈入推理时代，强化学习技术的重要性不言而喻，将重塑AI产业的技术栈乃至商业模式。

智能体 claude 拼图 agi rl 2025-06-09 18:48  5

近期，当很多人还在纠结用什么 label 和 reward 训练大模型的时候，以及纠结用什么样的基准模型进行公平比较的时候，西湖大学 MAPLE 实验室另辟蹊径：既然 LLM 在复杂指令上表现不佳，需要引入单独的 SFT 或者 RL 过程，那为什么不让模型在推

推理 rl slot sft 神器slot 2025-06-09 19:42  5

本文主要作者是吕昂和谢若冰。吕昂，中国人民大学博士生，研究方向为语言模型结构优化，导师为严睿教授；谢若冰，腾讯高级研究员，研究方向为大语言模型、推荐系统。

模型 噪声 rl rpr 若冰 2025-06-08 20:30  5

刚刚，AI顶流春晚智源大会来了！深度学习和强化学习两大巨头齐聚，图灵奖得主、顶尖专家出席，2025 AI未来的发展路径，在一场场精彩的思想碰撞中被清晰解码，硬核指数已经超标。

机器人 rl 图灵 图灵巨擘 rl教父 2025-06-08 06:08  6

刚刚，AI顶流春晚智源大会来了！深度学习和强化学习两大巨头齐聚，图灵奖得主、顶尖专家出席，2025 AI未来的发展路径，在一场场精彩的思想碰撞中被清晰解码，硬核指数已经超标。

机器人 rl 图灵 图灵巨擘 rl教父 2025-06-06 20:49  5

作为 AReaL 里程碑版本 AReaL-boba 的重磅升级，AReaL-boba² (正式全名：A-ReaL-double-boba) 坚持 boba 系列 “ 全面开源、极速训练、深度可定制 ” 的开发理念，再次加量：除了更全的功能和更详细的文档说明，更

训练 异步 rl ppo rl训练 2025-06-05 03:35  5