reinforcement-learning — AI Digest

24 июн Prime Intellect выпускает prime-rl v0.6.0 для агентного RL на триллионно-параметрических MoE-моделях Prime Intellect research
24 июн Qwen-AgentWorld: языковые world-модели для универсальных агентов в семи средах Alibaba/Qwen research
24 июн Sakana AI выпускает Fugu: мульти-LLM-оркестратор, достигающий SoTA на SWE-Bench Pro Sakana AI research
26 июн DeepReinforce выпускает Ornith-1.0: открытые модели для программирования, самостоятельно обучающие свои RL-каркасы DeepReinforce tools
7 июл Мираж оптимизации политик обучения: монотонные политики инференса как реальная цель для RL языковых моделей Tianjin University / Alibaba research
27 июл Molt: масштабируемый PyTorch-native фреймворк для обучения агентного reinforcement learning NVIDIA research
27 июл AREX: на пути к рекурсивно самосовершенствующемуся агенту для глубокого исследования research
26 авг Annotations as Rollouts: эффективный и масштабируемый reinforcement learning для видео-MLLM research
14 июн MaxProof: модель MiniMax превышает пороги золотых медалей IMO и USAMO в формальной математике MiniMax research
16 июл Ring-Zero: масштабирование Zero RL до триллиона параметров с возникающими паттернами рассуждения Ant Group research
16 июн DreamX-World 1.0: интерактивная модель мира общего назначения с управлением камерой 6DoF AMAP-ML (Alibaba Maps AI Lab) research
16 июн FastContext: специализированный субагент-исследователь сокращает использование токенов агентами по коду на 60% Microsoft / Shanghai Jiao Tong University research
17 июл SEED: самоэволюционирующая on-policy дистилляция для агентного обучения с подкреплением research
1 авг Технический отчёт Qwen-UI-Agent: к фундаментальным GUI-агентам нового поколения, ориентированным на реальный мир Alibaba Tongyi Lab research
21 июн Игровое агентное обучение роботов: самостоятельная игра формирует переносимые навыки UC Berkeley research
28 июн Tencent Hunyuan публикует в открытый доступ UniRL: унифицированное RL-дообучение для LLM и диффузионных моделей Tencent / Hunyuan research
4 июл VRRL: визуально заземлённая саморефлексия для моделей зрение-язык через RL UT Austin / Cornell research
8 авг AgentOPSD: рекурсивная самодистилляция для агентного обучения с подкреплением research
8 авг EnvACE усваивает динамику среды через «репетицию мира» для агентного RL research