#强化学习

CMU团队新方法PDPO让机器人能提前规划5步动作，在拥挤人群中导航成功率更高。

Pollen Robotics的Microduck开源机器人销量破百万，不到400元就能玩强化学习训练。

Thomas Wolf@Thom_Wolf原文

Pollen Robotics发布Microduck，不到400美元就能买到可训练的双足机器人，还能玩滑冰。

Thomas Wolf@Thom_Wolf原文

Microduck是首款真正可访问的强化学习机器人，价格亲民，功能丰富，适合入门者。

Thomas Wolf@Thom_Wolf原文

Microduck机器人可爱又开源，适合喜欢DIY和机器人技术的朋友，价格亲民，功能丰富，值得一试。

orange.ai@oran_ge原文

Hugging Face发布了Microduck机器人，价格亲民，功能丰富，是学习物理AI和机器人技术的不错选择。

官方账号Clement Delangue@ClementDelangue原文

这篇论文介绍了$R^3$，一种将VLMs转化为机器人推理器的方法，通过自由形式的语言推理来指导低级策略，值得一看。

这项研究揭示了强化学习在良性事实上的应用可能带来的个人信息泄露风险，值得对AI模型安全性和隐私保护进行深入探讨。

Re$^3$Cap模型通过检索引导优化图像描述，比GRPO提升了8.64%的推理性能，值得一看。

这研究发布了针对Hawkes过程的连续时间强化学习新方法，用近似技术优化求解，和传统离散方法比效果不同，值得了解。

PGFS++是新分子优化方法，能解决合成和多样性难题，比之前版本效果更好还保分子多样性。

论文提出了一种即插即用的图结构难度估计器，能智能分配探索资源，让RLVR更高效。

这篇论文提出了一种简单却有效的IER机制，能让强化学习智能体通过重复成功动作更快学习。

这篇论文提出了LLM反馈的奖励塑造方法，即使在LLM评分不准确时也能保持最优策略，比传统方法更可靠。

这篇论文提出神经符号世界模型，能让AI系统零样本适应新任务，比传统方法泛化能力更强。

Anthropic主动踩刹车，暂停最大规模强化学习训练来加固安全，想了解前沿AI公司怎么平衡速度和风险可以看看。

官方账号Greg Brockman@gdb11 个信源在谈原文

如果你在多个大模型间做路由，这个框架能直接优化成本和效果，不用先预测质量，实测在10个基准上超过现有方法，还能兼容新模型。

人形机器人全身操作一直难搞，HAF把通用VLA拆成三阶段动作流，再用DCT降维做在线强化学习，7个真实任务都跑赢了基线。

PIHF把强化学习的迭代改进搬到了上下文学习里，用语言模型当执行器，专家审阅改进，罕见病诊断上Recall@1提升明显，值得一看。

这论文提了两个新招PVF和TETHER，给LLM强化学习用的，比标准价值函数强，和GRPO差不多甚至更好，搞RL的可以看看。

这个科学智能体模型能处理多模态数据，397B 版在时间序列预测上很强，还有个 4B 小模型能直接把生物任务分数拉高，适合搞科研的人看看。

空间推理一直是视觉语言模型的硬伤，SCOUT 用新的训练方法把 3D 理解做得更准，7B 规模直接超过 GPT-4o，还能迁移到视频上。

想提升LLM强化学习效果？3PO用参数采样替代温度调节，在OLMo和Qwen上比GRPO更稳更好，成本还一样。

想测强化学习在硬核动作游戏里的极限？DSLE把黑暗之魂Boss战变成基准，PPO和DQN连教程Boss都打不过，看看专家系统怎么赢的。