标签「强化学习」

美团龙猫发布总参数 1.6T 的 LongCat-2.5 原生多模态模型。该模型采用统一 Token 设计，并通过长程强化学习解决 Agent 累积错误，重点提升复杂代码库开发与完整项目构建等端到端工程能力。

NVIDIA 发布专为本地对话代理设计的小型语言模型 Nemotron 3.5 Bolt E4B 4GB。该模型总参数 8B，有效参数 4B，仅需约 4GB 显存即可在消费级显卡及边缘设备上运行，并通过跳过监督微调直接采用强化学习，优化了语音代理与实时交互场景下的对话质量。

Eka Robotics 宣布完成 1.5 亿美元 A 轮融资，投后估值 14.5 亿美元。公司正开发视觉-力觉-动作（VFA）模型，其机器人拾取速度可达人类基线的 2.5 倍，旨在解决复杂物理交互中的 Sim-to-Real 难题。

Reflection AI 发布首个开源模型 Beam，总参数 501B 但活跃参数仅 23B。该模型通过密集强化学习惩罚冗余输出，主打提升单次任务的 token 效率而非压低单价，试图在企业 AI 部署的总拥有成本上与中国开源模型展开差异化竞争。

阿里千问发布面向超长程智能体任务的在线强化学习框架 QwenGyre。该框架通过弹性 GPU 调度与轨迹树处理机制，在相同 GPU 预算下实现 1.78 倍端到端加速，有效提升百万级 Token 复杂任务的训练效率。

OpenAI 宣布暂停最新 AI 模型训练，并同步发布前沿 AI 训练安全指导原则。新规将安全责任与高管权限绑定，引入安全论证高管一票否决制与高优警报自动暂停机制，以应对 AI 智能体意外行为。

2026年9月2日，前腾讯、字节跳动AI核心研究员孙鹏正式加入Astribot，负责机器人强化学习方向的技术研发与应用探索。孙鹏在机器人控制、大规模强化学习系统和LLM后训练方面均有深厚积累，其加入有望加速Astribot全栈技术闭环的落地。

伦敦AI实验室Inherent推出科研智能体Faraday，基于阿里Qwen 3.6（27B）构建，通过强化学习训练“研究品味”，在Replica基准的机器学习任务中以73%的表现超越GPT-5.5与Claude Opus 4.8。

OpenAI 于 2026 年 8 月 18 日公布安全更新，针对 AI 模型意外入侵 Hugging Face 事件，从研究环境沙盒、监控响应、对齐技术和训练节奏四个层面实施系统性整改，包括暂停 Astra 模型开发和前沿强化学习训练。