OpenAI首席科学家Nature：AI自主发现新科学！世界模型和RL是关键
近日，《自然》杂志独家专访了OpenAI首席科学家Jakub Pachocki，他揭示了推理模型、强化学习如何赋予AI自主发现科学的能力，并分享了AI如何在五年内重塑科学研究与经济格局的雄心。
rl
英伟达RL新突破：Nemotron-N1系列模型，深度强化AI决策力
近期，科技界传来一则新动态，英伟达携手宾夕法尼亚州立大学及华盛顿大学，共同推出了名为Nemotron-Research-Tool-N1系列的新模型。这一系列模型受到了DeepSeek-R1的启发，并采用了创新的强化学习（RL）范式，旨在增强模型的推理能力。
英伟达发布新 RL 范式：受 DeepSeek-R1 启发，提升AI决策深度
科技媒体 marktechpost 昨日（5 月 13 日）发布博文，报道称英伟达联合推出 Nemotron-Research-Tool-N1 系列模型，受 DeepSeek-R1 启发，采用新型强化学习（RL）范式，强化模型推理能力。
全球闲置算力训个模型，性能媲美R1，老黄天塌了！Karpathy曾投资
全球首个分布式RL训练模型INTELLECT-2发布，它仅通过整合全球闲置或分散的计算资源，就完成了模型的强化学习训练，训练成本大大降低。
最新研究预警：冷静看待推理模型的进展
DeepSeek - R1 论文曾提到：「我们发现将强化学习应用于这些蒸馏模型可以获得显著的进一步提升」。3 月 20 日，论文《Reinforcement Learning for Reasoning in Small LLMs: What Works an
RL训练总崩溃？R1-Reward稳定解锁奖励模型Long-Cot推理能力
多模态奖励模型（MRMs）在提升多模态大语言模型（MLLMs）的表现中起着至关重要的作用，在训练阶段可以提供稳定的 reward，评估阶段可以选择更好的 sample 结果，甚至单独作为 evaluator。尽管近期强化学习（RL）在传统视觉任务和多模态推理任
突破多模态奖励瓶颈！R1-Reward用强化学习赋予模型长期推理能力
作者把训练奖励模型这个问题，看成是一个基于规则的强化学习任务。简单说，就是给奖励模型一个问题和两个答案，让它通过学习来判断哪个答案更好，并且能给出合理的分析。
Pokee.ai 朱哲清：用 RL 搭建智能体的「骨骼与神经」| AI 产品十人谈
他是知乎和小红书的双料活跃用户，同时也是强化学习界冉冉升起的新星。他和团队 2023 年 12 月份就发布了开源强化学习框架 Pearl，上线首日即在 Github 上收获了 540 star，目前更是升至 2.8k。
模型即产品：万字详解RL驱动的AI Agent模型如何巨震AI行业范式
知名 AI 工程师、Pleias 的联合创始人 Alexander Doria 最近针对 DeepResearch、Agent 以及 Claude Sonnet 3.7 发表了两篇文章，颇为值得一读，尤其是 Agent 智能体的部分。
机器人行业专题报告：机器人算法，硬件遇上现代AI算法
承接三大流派。其中 2025 年 1 月的《机器人：三层融合，2025 年产业质变！—机 器人系列深度报告之二十一》，提出机器人流派至少包括机械圈（注重结构与力学）、自 动控制圈（注重系统与规划）、ICT 圈（注重智能与生态，当前有大量互联网、软件、智 能车、
万字长文带你读懂强化学习，去中心化强化学习又能否实现？
「有时候几十年什么也不会发生；有时候几周时间仿佛过了几十年。」这句话形容当今的现代 AI 领域最为贴切。似乎每天都有新的突破性模型、训练方法或公司涌现，迫使我们重新思考 AI 世界的可能性。今年早些时候是 DeepSeek，接下来是星际之门项目，现在还有 Qw
「推理革命」爆发100天：DeepSeek-R1复现研究全揭秘！
本文深入梳理了围绕DeepSeek-R1展开的多项复现研究，系统解析了监督微调（SFT）、强化学习（RL）以及奖励机制、数据构建等关键技术细节。
推理革命爆发100天：DeepSeek-R1复现研究全揭秘！
本文深入梳理了围绕DeepSeek-R1展开的多项复现研究，系统解析了监督微调（SFT）、强化学习（RL）以及奖励机制、数据构建等关键技术细节。
OpenAI 姚顺雨：“算法为王”终结，欢迎来到“产品思维”时代
从DeepBlue击败象棋世界冠军、AlphaGo征服围棋、GPT-4刷爆各类考试榜单，到o1、R1等新一代模型横扫数学、编程、写作、操作等任务，每一次历史性突破的背后，都是训练方法、模型架构的根本性创新。
被《经验时代》刷屏之后，剑桥博士长文讲述RL破局之路
2025 年伊始，RL 以一种破局归来的姿态在 LLM 的后训练时代证明了其巨大价值，Sutton 和 Barto 拿了图灵奖，David Silver 去年在 RLC 上说 “（RL 受关注的程度）终将跨越 LLM 带来的低谷”，竟然来得如此之快。
清华团队深度实证：RL 真能让大模型进化吗？能力边界仍被基座“锁死”！
强化学习（RL）真的能让大模型获得超越基础模型的新推理能力吗？近日，清华大学LeapLab团队联合上海交大，发布了一篇题为《Does Reinforcement Learning Really Incentivize Reasoning Capacity in
强化学习之于 AI Agent，是灵魂、还是包袱？
而要谈真正具备决策能力和自我意识的 Agent，其实要从 AlphaGo 的问世说起。这是 AI 首次展示出非模板化、非规则驱动的智能行为。而 AlphaGo 也靠着深度神经网络与 RL，进行自我对弈与自我优化，最终击败人类顶级棋手，敲响了 Agent 时代的
强化学习之父当头一棒：RL版「苦涩的教训」来了！
强化学习之父Richard Sutton和DeepMind强化学习副总裁David Silver对我们发出了当头棒喝：如今，人类已经由数据时代踏入经验时代。通往ASI之路要靠RL，而非人类数据！
学习 llm rl asi alphaproof 2025-04-21 13:20 7
OpenAI爆出硬伤，强化学习是祸首！o3越强越疯，幻觉率狂飙
o3编码直逼全球TOP 200人类选手，却存在一个致命问题：幻觉率高达33%，是o1的两倍。Ai2科学家直指，RL过度优化成硬伤。
机器人竞技真实世界，敢为天下先加速
19日，北京亦庄半程马拉松暨全球首个人形机器人半程马拉松开跑，吸引了20支人形机器人赛队和12000名人类选手同台亮技。约21公里的赛程，横跨多种复杂地形，对参赛机器人续航能耗和散热能力，环境感知与步态、关节结构与谐波减速器，及运动算法等，都是一种多多益善的考