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