搜索
这个问题正随着推理模型和 RLVR 的发展变得更加重要。随着强化学习在大模型后训练中的作用不断增强，模型练什么、怎么练，也需要更仔细地安排。为了解决数据策略接入和效果比较中的麻烦问题，北大DCAI团队联合UCAS、上海算法创新研究院、中关村学院最新发布DataFlex-RL。
Mind Lab（马卡龙）正式发布面向企业的模型后训练与推理平台 Mint Recursive，将其从 Macaron V1.1 训练实践中沉淀的 MinT 底层系统、自动化训练与迭代管线以托管服务形式开放给企业，支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源基座及监督微调、强化学习、全参数训练和 LoRA。
当预训练将大模型带到新的能力起点，强化学习则通过持续的探索与反馈，不断激发模型在新环境、新任务中的推理与行动能力，决定它们还能走多远。
NTU、CMU、Berkeley等高校联合推出VBVR-Pro视觉推理系统，构建300项任务与100项可验证打分器的训练评测平台，测试30余个多模态模型，并验证其打分器可直接作为强化学习奖励。
什么情况？小米新模型的强化学习训练，直接开了现场直播。
当个性化Agentic RL遇上现实用户平台场景时，一直存在一个常见难点：面对同样的query，不同用户往往偏好不同的规划策略、工具调用和最终表达。
过去一年，具身智能的技术迭代明显加快。VLA、世界模型持续演进，强化学习重新成为机器人学习的重要技术路径，Sim2Real加速从仿真走向真机，全身控制能力也在快速突破。
WalkingLab 是由清华大学与香港大学团队发起的开源非营利实验室，专注真实世界 AI 与项目制学习，成立五个月已推出涵盖工程实践、强化学习和大语言模型的三门核心课程，累计获超 20,000 GitHub Star 并登上 Hacker News 首页，致力于通过真实项目连接课程、论文与工程实践，加速 AGI 到来。
微软与UIUC合作研究StudentSim框架，基于真实学生数据训练个性化学生模拟器，具备behavioral fidelity和guidance responsiveness两项能力，在国际象棋等三个领域验证其优于现有基线，并可作为AI教师强化学习的高通量奖励信号。
强化学习与可验证奖励（RLVR）已成为提升视觉语言模型（VLM）推理能力的标配手段。但一个隐蔽的问题始终存在：最终答案的奖励信号，只告诉模型「答对了没有」，却从不告诉它「答案应该从图像的哪个区域得出」。答对，可能是因为真的看懂了图，也可能只是语言先验的捷径、数据集的偏差，甚至是一次幸运的瞎猜。