上交博士最新思考：仅用两个问题讲清强化学习
人工智能领域发展到现在，强化学习（RL）已经成为人工智能中最令人着迷也最核心的研究方向之一。它试图解决这样一个问题：当智能体没有现成答案时，如何通过与环境的交互，自主学会最优行为？
ppo
Klear团队：梯度保留协调熵，解决强化学习中的熵不稳定问题
本研究由快手科技 Klear 语言大模型团队完成，核心作者苏振鹏，潘雷宇，吕民轩，胡文凭，张富峥，周国睿等。快手 Klear 语言大模型团队聚焦在基础语言大模型研发、Agent RL 等前沿技术创新等方向，积累务实的探索 AGI 的能力边界，并不断推进 AI
多轮Agent训练遇到级联失效？熵控制强化学习来破局
作者团队介绍：本文来自罗格斯大学和 Adobe 团队的合作，一作徐武将罗格斯二年级博士，研究兴趣在 LLM Agent Memory 以及 Agent RL 方向上。师从 Dimitris N. Metaxas 老师，曾任 cvpr general chair
陈丹琦新作：大模型强化学习的第三条路，8B小模型超越GPT-4o
结合RLHF+RLVR，8B小模型就能超越GPT-4o、媲美Claude-3.7-Sonnet。
强化学习赋能小模型视觉推理，Groundlight AI提出调用外部工具策略框架
近来，强化学习范式在语言生成和推理模型领域得到了广泛的应用，其中具有代表性的是DeepSeek提出的GRPO (Group Relative Policy Optimization) [1]算法。GRPO是一种基于群体对比的强化学习算法，专为训练大型生成模型（
注塑PPO+GF40%玻纤塑料模具SKD61进胶口磨损变大，试试LG模具钢
江苏老客户咨询，塑料模具生产PPO+GF40%玻纤，模温80度左右。现在进胶口用SKD61模具钢做的，硬度HRC50-52，生产到5万件，进胶口会磨损变大，经过检测变大了0.05-0.08。
DeepSeek经过同行评审的论文在Nature上见刊了！
DeepSeek前两天在Nature见刊的论文《DeepSeek‑R1 incentivizes reasoning in LLMs through reinforcement learning》证明了不用人工标注推理轨迹，仅凭可验证的最终答案与纯强化学习，就
DeepSeek登上Nature封面，梁文锋带队回应质疑，R1训练真2
DeepSeek-R1直接杀进《Nature》封面，29.4万美元的训练账单，把动辄千万美元的大厂模型按在地上摩擦。
类PPO强化学习三部曲：GRPO简化→DAPO修正→GSPO全面进化
本文虽然标题中提到“类 PPO 算法”，但更准确地说，DAPO 和 GSPO 都可以视作在 GRPO 框架下，针对不同任务场景的一系列演进方案。它们并非简单的替代，而是通过改进策略更新与约束机制，逐步修正了 GRPO 在实践中暴露出的若干缺陷。