AI资讯
JetBrains 发布 Mellum2.1：12B MoE 开源编码 Agent 模型，SWE-bench Verified 从 2.0 提升到 47.0
JetBrains 发布 Mellum2.1，一个面向编码 Agent 与快速子 Agent 的开源模型，以 Apache 2.0 协议在 Hugging Face 上放出权重。该模型为 12B 总参数的 MoE 思考模型，每个 tok…
标签
标签： 强化学习
共 12 篇资讯
AI资讯
至简动力冯宗宝 IROS 2026 演讲：在 0.5 毫米间隙下让机器人照看 CNC 机床，仅用 600 条真实轨迹训练
2026 年 9 月 29 日，在美国匹兹堡举行的机器人学顶级会议 IROS 2026 现场，至简动力（Simplexity Robotics）强化学习负责人冯宗宝在一场 Tech Talk 中，介绍了公司如何让一台机器人自主照看两台…
AI资讯
银河通用与清华等团队提出 LATENT：用 5 小时不完美人类动作数据让人形机器人学会网球对打
在 IROS 2026 上，银河通用 GaLbot 团队联合清华大学、北京大学、上海启智研究院和上海人工智能实验室提出 LATENT 方法，论文题为 Learning Athletic Humanoid Tennis Skills fr…
AI资讯
Microsoft Research 发布 StudentSim：用个性化学生模拟器在真实学生之前评估和改进 AI 家教
Microsoft Research 公布了一项名为 StudentSim 的研究系统，用公开的、去标识化的学习者记录训练个性化的「AI 学生模拟器」，让研究者在用真实学生测试之前就能评估和改进 AI 家教。研究同时提出 Student…
AI资讯
阿里 Qwen 推出 QwenGyre：面向超长程 Agent 训练的弹性强化学习框架，最高提速 1.85 倍
阿里 Qwen 团队发布 QwenGyre，一个面向「超长程（XLong-horizon）」Agent 训练的弹性强化学习框架。该框架通过未修改的黑盒 harness 训练编码 Agent，单次 rollout 可持续数小时、处理接近…
AI资讯
NVIDIA 联合普林斯顿、马里兰大学提出 PivotOPD：让多轮 Agent 学会从关键错误中恢复，重放错误恢复率 72.7% 对标准 OPD 的 20.3%
NVIDIA 研究院联合普林斯顿大学和马里兰大学提出 PivotOPD，一种面向多轮 LLM Agent 的 on-policy 蒸馏方法。它针对「关键错误」（pivotal mistake，即延长任务最短完成路径或使任务无法完成的动作…
AI资讯
CoreWeave 发布 Forge 平台，把 AI Agent 的生产反馈接入评估闭环
CoreWeave 在 Fully Connected 2026 大会上发布 CoreWeave Forge，试图把 AI Agent 的「运行—观测—数据整理—改进—评估」五个环节放进同一个开发环境。Forge 包含 CoreWeav…
AI资讯
Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk：从半导体到超导体，用「合成超级智能」把实验室变成 AI 的训练场
Periodic Labs 联合创始人 Liam Fedus 和 Ekin Dogus Cubuk 在 Latent Space 播客中，系统阐述了他们「合成超级智能」（synthesis superintelligence）的构想：A…
AI资讯
Interconnects 作者 Nathan Lambert 出版后训练教材，配套 12 小时课程免费开放
AI 研究者、Interconnects 作者 Nathan Lambert 宣布其后训练教材正式出版，书名为《Reinforcement Learning from Human Feedback: Aligning and Post-…
AI资讯
Microsoft Research Asia 开源 Agent Lightning v1.0：3500 行代码的轻量级 Agent RL 框架，Qwen3.5-9B 在 SWE-bench Verified 上从 41.8% 提升到 56.4%
Microsoft Research Asia 推出并开源了 Agent Lightning v1.0，提出「Harnessed Agentic RL」训练范式：不再要求开发者把 Agent 在训练框架里重新实现一遍，而是让部署时使用的…
AI资讯
Cantina 发布 apex-flash-1：60 道漏洞题解出 40 道，成本仅 Opus 的 1/31
Cantina Security 联合 Yeta Labs 发布开源权重模型 apex-flash-1，专门用于漏洞研究。该模型基于 Z.ai 的 GLM-5.3-Flash 做强化学习微调，采用 GRPO 训练，配合 rank-256…
AI资讯
微软开源 Orchard 框架：30 亿参数模型 SWE-bench 达 69.7%
Microsoft Research 发布开源框架 Orchard，用于可扩展、低成本的 agentic AI 研究。其核心是 Orchard Env，一个基于 Kubernetes 的可复用环境服务，可并行创建、管理和销毁数千个隔离组…