微軟研究院推出 Agent Lightning，將現有 AI Agent 接入強化學習訓練
微軟研究院推出 Agent Lightning，該工具可將現有的 AI Agent 接入強化學習訓練，無需重新構建。
#reinforcement-learning
查看全部AI快訊Adithya S K 在 Hugging Face Hub 推出 RL Environment Explorer
該工具支援開發者探索、視覺化並運行涵蓋 OpenEnv、Harbor、MiMo、Verifiers 與 NeMo Gym 的強化學習環境，覆蓋 Hugging Face Hub 上超過 1200 萬個任務條目。
CoreWeave 推出 Forge，串聯 Agent 追蹤、評估與無伺服器強化學習
CoreWeave 推出 CoreWeave Forge，將 Agent 追蹤、評估與無伺服器強化學習整合於單一環境。該平台提供免費入門方案，並為新帳戶提供 30 天 Pro 試用期。
小米在強化學習中引入質量核對清單評分，防止 MiMo-V2.6-Pro 投機通過測試
針對僅以通過測試為目標訓練的模型會插入未請求代碼並靜默忽略錯誤的問題，小米在強化學習中將測試結果與質量核對清單評分相乘。調整後的 MiMo-V2.6-Pro RL 在 Artificial Analysis Intelligence Index 取得 46 分，位列開放權重模型首位。
CoreWeave 推出 RL Rollouts，支援強化學習中的即時模型權重更新
CoreWeave 推出基礎設施功能 RL Rollouts。該功能可在強化學習過程中直接將新模型權重載入至運作中的推論部署，且不會中斷進行中的請求。NVIDIA 與 You.com 已使用該功能對用於網絡搜尋的 Nemotron 3.5 Lightning 進行後訓練。
Scale AI 開源強化學習環境基礎執行階段 AgentEnv
Scale AI 已開源 AgentEnv，該項目為其內部用於支援 AI Agent 訓練的強化學習環境基礎執行階段。
Meta AI 推出面向長週期研究智能體的 MIRA 架構
Meta AI 研究人員推出了 MIRA，這是一種將元推理與執行解耦的雙組件智能體架構，旨在提高長週期研究任務中的決策能力。
Hugging Face Hub 支援託管強化學習環境
強化學習環境現已可直接託管於 Hugging Face Hub，並利用現有的數據集基礎設施，實現跨框架的儲存、版本控制、權限門控與預覽功能。
CMU 論文訓練 4B 提案模型編輯智能體 harness，唔改求解器
呢篇 harness 學習論文用強化學習，令提案模型根據任務、當前 harness 同執行報告修改 harness 代碼。訓練後嘅 4B 提案模型喺 Reasoning Gym 單步修訂上超越其 35B 教師模型，而 HotpotQA 上嘅訓練可轉移到 MuSiQue 同 2WikiMultihopQA。
Prime Intellect 推出 Prime Inference
Prime Intellect 推出 Prime Inference，並表示該服務已為強化學習及專屬客戶部署處理了數萬億 token。
Amazon AGI 論文提出面向智能體強化學習環境的 AutoGym
Amazon AGI 的一篇論文提出 AutoGym。它可從少量領域種子或過往模型軌跡出發，同時寫出智能體任務、可執行環境和驗證器。
Critical-State RL 只訓練會改變結果的那一次工具調用
DAIR.AI 介紹 Salesforce AI Research 的一種方法：找出多輪工具調用中動作會改變後續獎勵的那一次，並只更新該次調用。在 BFCL v4 的 missing-function 任務上，訓練所選輪次大約增加 14 分。
Surya 正在直播 RL 訓練過程
Surya 表示，其 RL 訓練過程正在 brusharena.art/live 直播，靈感來自 LuoFuli。
Adithya S K 發布 SmolDataEnvs，收錄逾 5,000 項可驗證的強化學習任務
SmolDataEnvs 是一套開源任務集，收錄逾 5,000 項可驗證的強化學習環境任務，用於在程式與數據科學領域對小型模型進行爬山式優化。今次發布包括環境、評估與訓練內容。
Salesforce AI Research 審核最乾淨的公開終端代理 RL 資料集，僅 35.8% 通過
Salesforce AI Research 在發現雙向獎勵錯誤後，將該資料集的乾淨比例定為 35.8%，另外兩個分別為 10.1% 和 3.3%。作者表示，用於過濾有缺陷環境的 RIVER，在使用少於 TMax 30% 環境的情況下，把 Terminal-Bench-Lite 上的 RL 增益提高 106%，把 Terminal-Bench v2.1 上的增益提高 30%。
NVIDIA 的 Skill2Env 把公開 Agent Skills 編譯成 7,971 項終端機任務
Codex 規劃器與建立器把每項技能轉成經過測試的終端機工作流程，評分標準取自該技能本身的質素準則。只看結果的強化學習把 Qwen3.8-27B 在 Terminal-Bench 2.1 的表現由 49.4% 提升至 54.1%；加入評分標準後則達 50.1%，但在軌跡比較中勝出更多。