2024 年底，一篇题为「流式深度强化学习终于跑通了」的论文（arXiv:2410.14606）在学界引发广泛讨论。作者来自阿尔伯塔大学的 Mahmood ...

当我们谈论大型语言模型（LLM）的"强化学习"（RL）时，我们在谈论什么？从去年至今，RL可以说是当前AI领域最炙手可热的词汇。 在过去很长一段时间里，这个词几乎等同于 RLHF（人类反馈强化学习）一种用于"对齐"的技术，它教会模型拒绝有害问题、生成更符合 ...

Andrew Barto 和 Richard Sutton 因其在强化学习（Reinforcement Learning, RL） 领域做出的奠基性贡献而共同获得 2024 年图灵奖。他们被公认为强化学习领域的创始人，其研究成果对人工智能的发展产生了深远影响。 【核心贡献】： 1、共同撰写了强化学习领域的经典教材 ...

由于 DeepSeek R1 和 OpenAI o1 等推理模型（LRM，Large Reasoning Model）带来了新的 post-training scaling law，强化学习（RL，Reinforcement Learning）成为了大语言模型能力提升的新引擎。然而，针对大语言模型的大规模强化学习训练门槛一直很高： 流程复杂、涉及模块多（生成 ...

据通义千问Qwen，为了能够持续拓展强化学习 （Reinforcement Learning，RL），提出了Group Sequence Policy Optimization (GSPO) 算法。不同于过去的RL算法，GSPO定义了序列级别的重要性比率，并在序列层面执行裁剪、奖励和优化。