强化学习

DeepSeek-R1技术突破：纯RL训练竟能激发大模型"反思"能力？开发｜界面｜引擎｜交付｜副驾——重写全栈法则：AI原生的倍速造应用流来自全栈程序员 nine 的探索与实践，持续迭代中。

【论文阅读】DeepEyes: Incentivizing “Thinking with Images” via Reinforcement Learning原文摘要研究背景现状：VLMs 已展现出强大的多模态理解和推理能力局限：当前主要受限于基于文本的推理过程

智能汽车人

Robot---能打羽毛球的机器人Robot系列主要介绍一些比较有意思的机器人，前面的博客文章中也给读者朋友们展示了一些：《人形机器人---越来越像人了》

veRL代码阅读-2.Ray看VeRL代码之前发现代码里主要使用了ray框架来进行调度和通信. 所以先对ray进行初步学习, 后续有空闲时间再细看下Ray的代码.

基于强化学习的5G通信网络基站资源动态分配策略matlab性能仿真目录1.引言2.算法仿真效果演示3.数据集格式或算法参数简介4.算法涉及理论知识概要5G网络资源分配特点

微软开发者

极客说｜强化学习（RL）与有监督微调（SFT）的选择以及奖励函数的优化「极客说」是一档专注 AI 时代开发者分享的专栏，我们邀请来自微软以及技术社区专家，带来最前沿的技术干货与实践经验。在这里，您将看到深度教程、最佳实践和创新解决方案。关注「极客说」，与行业顶尖专家一起探索科技的无限可能！投稿请联系：17278094563（微信号）

veRL代码阅读-1.论文原理主要以PPO为基础来学习VeRL的整体训练流程. 在PPO里主要有4个模型:训练步骤主要分成3步:Generation: Actor 在一批prompt样本上进行forward推理

强化学习三大分类核心目标：教会一个智能体（比如机器人、游戏AI、推荐系统）通过试错和奖励，学会在某个环境中完成特定任务的最佳策略。

强化学习之 DQN、Double DQN、PPO一个简单的比喻和分步解释来理解 DQN（Deep Q-Network，深度 Q 网络），就像教小朋友学打游戏一样：

【资源合集】强化学习训练LLM Agents的实战资源库：AgentsMeetRL如果你正在寻找将强化学习应用于语言模型智能体（LLM Agents）的开源解决方案，GitHub 上的资源库 AgentsMeetRL 值得重点关注。该项目系统整合了多个领域的强化学习训练框架、算法实现和奖励机制设计，为开发者提供了一份持续更新的技术路线图。

汤姆和佩琦

LLMs基础学习（八）强化学习专题（4）强化学习算法可抽象为 “数据收集 → 学习优化” 闭环：核心矛盾：训练阶段，当前策略并非最优，需主动尝试 “非最优动作” 探索更优解 → 策略需具备随机探索能力。

从 PPO、DPO 到 GRPO：大语言模型策略优化算法解析大语言模型（LLM）的训练通常分为预训练和后训练两个阶段。预训练阶段，模型在海量文本上学习下一词预测的能力；后训练阶段，我们希望进一步对齐模型输出与人类偏好，使模型给出的答案更符合人类期待。这常通过人类反馈强化学习（RLHF）来实现。RLHF的典型流程是：先让人类对模型的不同回答进行比较，得到偏好数据，然后训练一个奖励模型来评估回答质量，最后用强化学习方法微调语言模型的策略，使其生成被奖励模型高评分的回答。这一过程中诞生了多种策略优化算法，最知名的是OpenAI提出的近端策略优化（PPO）。PPO在Ins

我不是小upper

AReaL-boba²：首个全异步强化学习训练系统它来了！！作为 AReaL 系列的第三代产品，AReaL-boba²（A-ReaL-double-boba）在清华大学交叉信息院与蚂蚁技术研究院的联合研发下，实现了从同步 RL 到全异步训练的范式革新。其核心突破源于三层技术重构：

【一】零基础--分层强化学习概览分层强化学习（Hierarchical Reinforcement Learning, HRL）最早一般视为1993 年封建强化学习的提出.

Confidence Is All You Need语言模型的训练通常分为三个阶段：预训练阶段：模型在大规模文本数据上学习语言的基本模式和知识有监督微调阶段：在特定任务的标注数据上进一步训练后训练阶段：通过强化学习等方法让模型行为更好地符合人类期望

汤姆和佩琦

LLMs基础学习（八）强化学习专题（1）这部分是为想学习强化学习的人准备的 “知识储备库”，提供不同形式的学习素材：这部分用简洁表述，把强化学习本质提炼出来：

搭建强化推荐的决策服务架构在线推荐、广告投放等场景中，强化学习推荐系统需要依据当前的用户与环境信息（上下文）即时选择最合适的动作，也就是决定展示哪条新闻或广告。微软研究院发表的论文《Making Contextual Decisions with Low Technical Debt》针对这类“上下文决策”问题，提出了一套通用的决策服务框架——Decision Service。论文链接如下：

能上Nature封面的idea！强化学习+卡尔曼滤波2025深度学习发论文&模型涨点之——强化学习+卡尔曼滤波强化学习（Reinforcement Learning, RL）与卡尔曼滤波（Kalman Filtering, KF）的交叉研究已成为智能控制与状态估计领域的重要前沿方向。

我就是全世界

AReaL-boba²：开源异步强化学习训练系统的革命性突破当蚂蚁集团的工业级AI研发实力遇上清华大学的前沿学术研究，这场产学研的"珍珠奶茶式"联姻直接催生了AReaL-boba²这个强化学习界的爆款。蚂蚁带来的分布式计算基础设施如同奶茶基底般扎实，而清华注入的强化学习算法创新则像波霸珍珠般Q弹——双方组建的"技术特调团队"甚至开发出专属术语：用"三分糖"形容动态调整的PPO超参数，用"去冰"代指显存优化技术。

瑶光守护者

【深度学习】自编码器：数据压缩与特征学习的神经网络引擎作者选择了由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 三位大佬撰写的《Deep Learning》(人工智能领域的经典教程，深度学习领域研究生必读教材),开始深度学习领域学习，深入全面的理解深度学习的理论知识。