搜索
阿里千问联合俄亥俄州立大学提出TRACE，以Rollout侧FP4量化结果引导训练侧舍入，在四个Qwen MoE模型上保持接近BF16的性能，并使128K输出解码吞吐最高提升5.4倍。
让大模型回答一道数学题，通常还能拿标准答案判断对错。可如果问题换成「梳理一个领域的研究进展」「比较几种技术路线」或者「给出有依据的专业建议」，怎样才算答得好？答案没有唯一版本，遗漏关键事实、混淆概念、论证不充分，都可能藏在一段看起来很流畅的文字里。
千问披露Agent训练框架QwenGyre，通过弹性调度和轨迹处理，将Qwen 3.8 2.4T的48步强化学习训练耗时从134.55小时降至75.42小时、效率提升78%，并计划优化后开源。
2026 年 9 月 11 日，一封联名声明震动了学术界。
从检索动作知识、寻找角色参考，到模拟运动和衔接镜头，一个经过强化学习的智能体，能给视频生成带来多大提升？
Anthropic强化学习技术负责人Sholto Douglas预测，能力等于甚至超过所有人类的AGI可能在未来几年内出现，2028年AI年度资本开支或达4万亿美元，而研究员Nick Marwell对AI无需人类搭档后的后果表示紧张。
至知创新研究院开源了采用稀疏 MoE 架构的代码与复杂任务导向大模型 IQuest-Q1，该模型总参数约 320B、激活参数仅约 15B，在代码生成、终端操作、智能体任务等多项评测中表现均衡，并展示了从前端交互、游戏开发到强化学习训练调试等场景的可交付能力。
南洋理工大学S-Lab、A*STAR与UIUC联合提出的V-Rubrics方法将5万视觉样本拆分为35万条细粒度准则，从视觉忠实性、推理一致性和指令遵循三维度分别参与强化学习奖励分配，使基于Qwen3-VL-8B的模型在通用与知识评测中平均得分提升至68.04。
这个问题正随着推理模型和 RLVR 的发展变得更加重要。随着强化学习在大模型后训练中的作用不断增强，模型练什么、怎么练，也需要更仔细地安排。为了解决数据策略接入和效果比较中的麻烦问题，北大DCAI团队联合UCAS、上海算法创新研究院、中关村学院最新发布DataFlex-RL。
Mind Lab（马卡龙）正式发布面向企业的模型后训练与推理平台 Mint Recursive，将其从 Macaron V1.1 训练实践中沉淀的 MinT 底层系统、自动化训练与迭代管线以托管服务形式开放给企业，支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源基座及监督微调、强化学习、全参数训练和 LoRA。