本次活动专为青年科学家打造，旨在搭建一场 AI 技术的深度对话，来自学术和工业界的 20+ 青年科学家，将与大家一起回顾 2025，展望 2026！
要让机器人真正“动手”，光有理解还不够：它既要看懂世界的物理与因果，还要把这些理解转化成可执行的动作。 但今天的世界–动作模型（World-Action Model，WAM）大多是“单体式”的：生成主干、视觉表示、网络架构、信息流、推理过程与训练数据全部耦合在一起，以至于研究者很难回答一个基本问题—
前沿开源权重模型正日益普及，但其部署服务目前仍主要依赖数据中心级别的基础设施。 来自 UC Berkeley、MIT 等团队推出了一种面向边缘设备原生设计的混合专家（MoE）推理服务系统: FreeToken，它不再将个人计算机简单视为一块小型 GPU，而是将其建模为一个统一、弹性可伸缩的推理平台。
视觉语言模型能生成流畅的回答，却可能看错图表数值，或在推理中引入图像无法支持的结论。 来自南洋理工大学 S-Lab、A*STAR 和 UIUC 的研究团队提出了 V-Rubrics，用逐项评分（rubrics）来处理“信用分配”（credit assignment）问题。 论文：V-Rubrics:
大模型的强化学习后训练依赖人工整理的题目和固定的训练环境。模型变强之后，现有环境的难度和多样性跟不上，训练收益逐渐减少。 SPIRAL（ICLR 2026）：与不断变强的自己对弈 论文：SPIRAL: Self-Play on Zero-Sum Games Incentivizes Reasonin
当 Agent 训练从「只训模型」走向「模型 + 环境 + Harness」的协同，有了 RL 数据、也有了 RL 框架之后，接下来该做什么？这大概是一些刚开始做 Agentic RL 的企业团队会遇到的问题。 9月19日（周六）上午10:00，青稞Talk 第155期，青稞社区邀请到 SkyRL
On-policy distillation 正在成为大模型 post-training 的标配。Qwen3、MiMo、GLM-5、DeepSeek-V4——2025 年以来几乎所有头部模型都在用它：学生模型生成自己的 rollout，教师模型在每一个 token 位置上提供分布监督，密集、精准、高
当前 Agent 训练面临两难： 传统环境静态僵化，Agent 易过拟合； 完全合成环境又易产生逻辑幻觉。 而 Agent 本质上是一个不断与环境（Environment）进行交互的主体：感知反馈、做出决策、影响环境。在自进化 Agent 的主流范式中，往往高度依赖 Agent 在环境中的单向探索来
随着编码智能体从“模型能力”走向“模型 + Harness”协同，工具调用、上下文管理与控制流正在成为影响智能体能力的重要因素。 然而，将真实 Agent Harness 接入强化学习训练并不简单：环境故障与奖励投机会污染训练信号，训练与推理环境的差异也可能导致策略更新偏离真实 Agent 行为。
我们能否在不更新任何模型参数的情况下，把强模型的能力迁移给弱模型？ 我们通常认为，更强的 AI 能力需要通过蒸馏，OPD等各种方式训练更弱的模型，但在 Harness 的热潮下，一个更本质的问题值得探索：如果完全不改模型参数，强模型能不能在 test time 直接帮弱模型“搭好思考方式”？ Har
当机器人要学会叠衣物、理线缆、摆弄软体——可变形物体操作的真实数据采集成本高昂、状态空间复杂、仿真与现实的差距显著。物理一致的世界模型，能成为可扩展机器人学习的"数据引擎"吗？ 9月1日（周二）20:00，青稞Talk 第150期，上海人工智能实验室物理智能中心青年研究员周云松、王帅，将以 SIM1
学术社区是否已经对层出不穷的 On-Policy Self-Distillation (OPSD) 特权信息变体感到审美疲劳？ 当 answer、trajectory、reflection、skill 被不断设计得更精巧，LOPD 反过来追问一个更根本的问题：我们为何仍要替模型规定“什么经验值得被看
长推理与 long-horizon agent 的上下文越来越长，KV cache 随之成为显存瓶颈。 现有压缩方法多用最近若干 post-RoPE query 的注意力分数估计 key 的重要性；但 query 经 RoPE 后随位置旋转，只有最近一小段仍保持当前朝向，可用样本有限，估计精度受限，
语言模型的推理能力已成为当前研究的焦点，但传统思维链（CoT）受限于自然语言这一"思维介质"，人类许多认知过程从未被显式书写，因而无法被模型从数据中习得。 在最新的研究中提出了一种新视角：将推理重新表述为"价值引导的隐空间优化"，即不依赖外部信息，直接在模型内部隐空间中沿价值梯度搜索更优解。 8月2
导语：当代码智能体（Code Agents）与测试床工程（Harness Engineering）飞速发展，AI 不再仅仅是被动接受指令的工具。AI for AI (AI4AI) 正在经历一场深刻的范式演变，其核心目标已明确指向人工智能领域的终极愿景之一——递归自我改进（Recursive Self
在 LLM Agent 的进化之路上，“持续学习（Continual Learning）”始终是一座难以逾越的大山： 靠上下文学习（ICL）？ 拼接长历史不仅导致 Token 消耗激增、首字延迟飙升，且始终无法真正改变模型底层的动作概率分布； 靠传统强化学习（RL）？ 离线微调的算力成本极其高昂，极
VLA 刷爆了 Benchmark，却依然搞不定真实世界里的细微变化。 面对这一困境，继续堆叠参数与数据未必是唯一解。数字 AI 的进化已经给出了启发：以 Claude Code 为代表的 Coding Agent，其突破不仅源于更强的 LLM，更依赖于模型之外的执行组织系统（Harness Lay
ACE-Data-0 是 南洋理工大学 S-Lab 和大晓机器人联合开源的一个面向具身智能与机器人学习的人类中心、多模态、长时程交互数据集。 基于环境式采集系统 ACE，将真实家居环境转化为空间标定、时间同步的数据采集平台，同时记录第一视角与多视角视频、全身与手部运动、物体几何及六自由度动作、运动轨
当前 VLA 预训练通常将视觉、语言和动作联合映射到动作，但视觉-动作监督更密集，容易使策略依赖视觉捷径，削弱语言对动作执行的约束。 上海交大联合阿里巴巴发布 LA4VLA，提出 Language-Action Pretraining：在预训练阶段暂时去掉视觉输入，让 VLA 更集中地学习语言和动作
强化学习之后，大语言模型还能如何持续进化？ 在没有人类专家监督的情况下，大模型到底该怎么练才能不崩溃、不效率低下？ 来自贝壳、清华、巴黎高师的研究团队最新带来一篇名为《DRIFT: Difficulty Routing Self-DIstillation with Rhythm-Gated Expl
折毛巾时，物理世界不会停下来等待机器人思考。 布料会滑动，褶皱会改变，前一秒还合适的抓取点，下一秒可能已经偏离。真实机器人做动态操作时，“想象未来”不能停留在离线视频生成里。它必须进入控制回路，在动作还来得及调整时，给策略一个可用的未来线索。 一个直接的想法，是让模型先生成未来画面，再让机器人根据这
随着具身智越来越多地进入生产环境，策略进化的核心变成对混杂数据的高效利用。 这正是离线强化学习发挥的重要场景，但效果严重依赖于帧级的好坏标注——逐帧分辨哪些时刻在推进任务，哪些在停滞或倒退。但靠人类逐帧标注机器人数据非常耗费人力、难以规模化。 为了解决这个问题，清华于超老师团队与正行创新（Strid
大模型已经具备强大的视觉、语言与空间理解能力，但“看懂世界”并不等于“能够在世界中行动”。 千问（Qwen）大模型团队在 Qwen-Robot Suite / Embodied Foundation Models 方向最新推出了 Qwen-Robot Suite 系列三项重磅工作。 这组工作围绕一个
在具身智能领域，模拟机器人轨迹至关重要。近期，研究者开始利用视频生成模型来进行模拟，但仍存在关键缺陷： (1) 维度缺失：局限于 2D空间，缺乏交互所需的 4D 时空约束； (2) 精度不足：依赖语言指令、隐式动作理解、或静态环境先验，使得模型需要去"猜测"潜在的机器人动作，难以提供精确控制和动态引
陈天奇团队最新开源 PithTrain：Agent 时代的 MoE 训练框架设计 专家混合模型（MoE）已经成为当前大语言模型的主流架构，相应的生产级训练框架也经过多年工程积累，具备了优异的训练性能。 然而，随着新的模型架构和系统优化不断涌现，在这些大型框架上进行开发和演进仍然成本高昂。 随着 AI
在近两年的具身基础模型的研究中，由Pi引领的基于流匹配和动作专家的VLA模型一直是大家追随的主流。 另一方面，自回归的模型具备若干天然优势，比如更强的语言理解能力、更鲁棒的零样本泛化能力、以及已经被证明过的Scaling潜力； 然而，关于如何设计一个好的自回归VLA确没有人做系统讨论与分析。 7月4
6月30日（周二）晚8点，青稞Talk 第134期，清华大学人工智能学院博士生方科晨，将直播分享《DPA & LLaVA-HUD v4：多模态大模型的深度预对齐与高效视觉编码优化》。 DPA 提出一种新的视觉语言模型架构：在视觉特征进入目标 LLM 前，引入小型 perceiver VLM 进行深度
随着文生图/视频及全模态模型快速落地，基于人类偏好与可验证信号的 RL 后训练已成为提升生成质量的关键手段。但与纯文本 LLM 不同，多模态生成 RL 在采样 rollout、reward 计算与分布式训练上的 I/O 与算力特征差异显著，亟需专门框架支撑。 VeRL-Omni 基于 VeRL及vL
MLA能够在MHA/MQA之间等价切换，使其在训练推理时都能保持高效。然而MLA是针对H100进行设计的，对于H20这一类计算瓶颈的显卡，推理效率不如GQA。 本文提出GQLA的设计，在GQA/MQA之间等价切换。对于H100用MQA减少KV Cache；对于H20用GQA减少计算量。允许一个预训练
目前多模态领域 RL 仍然缺少生成理解统一的 Infra。图像 / 视频的生成、理解，Prompt-Enhancer (PE)，以及 HunyuanImage-3.0、Bagel 等 unified multimodal models，通常都需要各自维护 rollout、reward、advanta
MoE 通过稀疏激活在扩大参数容量的同时控制计算量；Dynamic MoE 可以动态调整专家激活数量，让简单 token 使用更少计算，从而进一步提升推理效率。 6 月 9 日（周二）晚 8 点，青稞 Talk 第 130 期，清华大学博士生吕兴泰，将直播分享《ZEDA：将 Post-Trained
6月6日上午10点，青稞Talk 129 期，青稞社区邀请到中国人民大学高瓴人工智能学院博士生董冠霆，来直播分享《从 ARPO，到 AEPO，再到 Agent-World：探索通用智能体训练的可行路径》。 本次分享将主要围绕三篇通用智能体强化学习论文展开，沿着"智能体强化学习 → 多环境强化学习"的
大模型后训练会带来一个很现实的系统问题：模型会不断产生新版本。一次强化学习实验、一个产品功能、一个客户、一组评测结果，都可能对应一种新的模型行为。基础模型本身又非常大，动辄万亿参数规模。系统如果把每种行为都保存成一份完整模型，再分别加载和部署，成本会很快失控。 MinT 是一套面向这个问题的大模型后
δ-mem是一种面向大语言模型的轻量级在线记忆机制。不同于把历史全部塞进长上下文，δ-mem 将过去信息压缩进一个极小的在线关联记忆状态，并在生成时通过低秩 correction 直接调制 frozen Transformer 的 attention computation。 主实验中，仅使用 8
三维/四维重建技术正经历一场范式革命：从高昂的全局优化向高效的前馈式（Feed-forward）架构全面转型。 如何在长序列处理中实现极致的内存效率？ 如何在统一框架下同时实现几何与运动的高精度建模？ 5月19日晚8点，青稞Talk 126期，南洋理工大学（NTU）MMLab 博士生罗奕航，将直播分
在最近的大模型后训练中，On-Policy Distillation已经成为默认选项之一。 但研究者们在分析训练日志、实验曲线和对比不同 OPD 方法实现时，反复碰到同一个问题：理论上很自然的 sampled-token OPD，实际运行起来并不稳定，甚至会把模型往一些局部上“看起来合理”、整体上却
随着 OpenAI o1 和 DeepSeek-R1 的惊艳亮相，强化学习（RL）后训练（Post-training） 已成为大模型通往高阶推理能力的必经之路。 但在这一新兴领域，开发者们正面临着缺乏系统的理论指引的困境。不同于预训练阶段成熟的 Scaling Law，RL 后训练阶段的许多关键工程
4月25日，当 DeepSeek-V4 带着 1.6 万亿参数（Pro版）和百万级上下文窗口的震撼配置横空出世时，整个大模型圈的目光都聚焦在了它极具野心的架构革新上：混合稀疏注意力（CSA+HCA）、流形约束超连接（mHC）以及 FP4 专家权重。 然而，对于广大开发者和企业用户而言，面对如此庞大且
ICLR 2026 | 大模型的无监督强化学习能走多远？ 强化学习正在重塑大模型能力边界。OpenAI o3、DeepSeek-R1、Gemini 3 等顶尖模型都在用大规模 RLVR（可验证奖励强化学习）刷新推理任务的天花板。 但所有人都知道，纯监督式训练不可持续。人工标注成本指数级增长，在专业领
大模型因 Data Scaling 屡创新高，但在自动驾驶却失灵了——现实世界难以提供足够的关键与长尾场景，采集到的大多是价值有限的常态片段，导致数据越多、提升越难。 因此，自动驾驶的瓶颈不在规模，而在缺乏能系统生成关键场景并支撑大规模训练的新路径。 为此，来自香港大学OpenDriveLab、中科
随着大基础模型的崛起，视觉-语言-动作模型 (VLA) 展现出了极大的潜力，通过继承丰富的视觉理解和语言基础，为通用机器人策略学习提供了可扩展的途径。 然而，目前的VLA研究领域依然处于一种“原始汤 (primordial soup)”阶段——充满了各种天马行空的探索和设计，但缺乏清晰的架构。 A组
多模态空间智能不仅要求机器理解任意相机视角下的现实世界，更要求其具备从任意相机方位创造世界的能力。然而，当前的视觉与生成模型大多仅隐式地感知相机几何，或将理解与生成任务割裂开来。 新加坡南洋理工大学、商汤科技、密西根大学和马普所的研究者们联手提出了一种全新的范式——将“相机几何”破译为一种“语言”，
在人工智能的发展进程中，我们正见证从纯粹的聊天机器人向能够执行实际任务的计算机使用智能体（Computer-Use Agents） 的范式转移。 OpenClaw-RL 是第一个通过对话自动训练工业级 Agent 的强化学习（RL）库，旨在让模型在真实的交互中实现自我进化。 一、 核心理念：随处部署
在具身智能领域，物理世界中的强化学习（RL）长期受限于高昂的硬件成本、繁琐的环境重置需求以及试错过程带来的安全风险 。 为此，OpenDriveLab提出了RISE，一种通过“想象”来实现机器人策略自主进化的可扩展强化学习框架 。 论文：RISE: Self-Improving Robot Poli
DeepSeek-R1 的成功证明，深度扩展（Depth Scaling）在复杂逻辑推理中具有巨大潜力。但当任务从“深推理”转向“广信息”——如汇总全球头部科技公司多维财务数据——单一大模型往往受限于多轮检索带来的上下文干扰与串行效率瓶颈。 为此，我们提出“广度扩展”（Width Scaling）这
动态三维建模的统一框架旨在在时间维度上同时建模场景的几何结构与运动变化，实现对动态世界的完整理解与重建。 整体框架通常包括两个核心模块： 首先是感知与表示模块，从多视角图像或视频中提取空间与时间特征，并构建统一的动态场景表示，如隐式场、3D Gaussian 或体渲染表示； 其次是几何与运动建模模块
当前主流的 LLM Agent 框架普遍采用 Text-in-Text-out 的交互范式——无论输入还是输出，所有数据都必须经过文本序列化。 这使得 Agent 难以直接操作复杂的外部对象（如 DataFrame、数据库连接、训练好的模型），其产出也无法被下游系统（数据可视化、Agentic UI
为什么开源图像编辑模型总感觉不如 GPT-4o 或 Nano-Banana 那么“听话”？核心痛点在于缺乏一个真正理解人类审美的 AI “裁判”。 3月14日（周六）上午10点，青稞 Talk 第112期，清华大学在读博士生吴科明，将直播分享《EditReward ：当 AI 学会“审美”，可控多模
USER 是在 RLinf 上搭建的一套面向现实世界在线策略学习的统一且可扩展的系统。 在系统上，它建立了统一的硬件抽象层、自适应通信平面以解决硬件管理和通信问题。 算法侧，它搭建了全异步学习框架，设计了持久化、缓存感知的缓冲区，并提供了奖励函数、算法与策略的可扩展接口。
比肩 GPT-5 的 Kernel Coding 模型！Dr. Kernel 用多轮 RL 训练大模型 GPU Kernel 生成 让大模型通过强化学习（RL）生成 GPU Kernel 是业界共同的期望。但由于极易受“钻漏洞（reward hacking）”和“惰性优化（lazy optimiza
LLM RL 训练轨迹竟然是线性的？Miaow Lab 最新工作：无需继续训练，直接“预测”未来模型！ 研究发现，在RLVR训练过程中，LLM的权重和输出概率演化呈现出显著的线性特征，理论分析发现，这源于低学习率、大Batch Size及Adam优化器的特性。说明昂贵的RLVR存在大量冗余计算。 基
大型语言模型（LLM）展现出强大的推理与编程能力，但在真实世界的软件工程（SWE）任务上仍难以泛化。这类问题往往涉及长时序决策，并且具有明显的 Out of Distribution问题。 现有系统通常依赖单一智能体处理 SWE 任务。它需要在一条推理链中同时进行需求理解、浏览大型代码库以及实现修复
如果有人说：不用分阶段训练、不搞课程学习、不动态调参，只用最基础的 RL 配方也能达到不错的性能，会是怎样的结果？ 我们团队用两个 1.5B 模型做了这个尝试。结果在 9 个数学推理基准上达到了 54.87% 和64.32% 的新基线，算力只用了一半，训练过程也很平稳，4000步没遇到什么大问题。 更有趣的是，当我们试着加入一些"应该有用"的优化时，性能反而下降了。也许在某些情况下，简单的方法充分训练后，效果可能比我们预期的要好。这个工作最大的 novelty，也许就在于没有 novelty。
随着大模型能力的不断提升，越来越多的研究开始在RL（强化学习）训练中同时优化多种偏好（如正确性、格式、长度、bug ratio等）。 我们发现多奖励强化学习（multi-reward RL）中经常会遇到训练不稳定的问题，并非主要源于奖励设计或权重冲突，而是优势信号在归一化过程中被“压扁”，导致分辨率下降，提出“advantage collapse”这一关键问题。 传统 GRPO 在多奖励场景下的 group-wise normalization 会使不同奖励组合的样本难以区分，削弱学习方向。 为此，研究提出 GDPO，通过逐奖励解耦归一化保留细粒度优势差异，并在聚合后进行 batch 归一化以稳定尺度。实验表明，GDPO 在工具调用、数学推理和代码推理任务中显著提升了训练稳定性与最终性能。 该工作指出，多目标 RL 的核心在于保持训练信号清晰度，为推理模型与智能体训练提供了更可诊断、可复用的方法论。
为应对具身智能领域数据采集成本高且效率低、模型泛化不足以及训练范式难以规模化的瓶颈，上海人工智能实验室具身智能中心提出了“高质量合成数据驱动+统一学习框架”的数据-模型协同方案。 论文：InternVLA-A1: Unifying Understanding, Generation, and Act
视觉模型长期面临语义抽象与像素细节难以统一建模的问题，现有要么擅长理解，要么擅长生成，却难以兼得。 像 ViT、ResNet 这样的语义模型，能精准识别图像中的物体类别，却无法重建出一张清晰的图片； 而像 MAE、GAN 或扩散模型这样的生成系统，虽能合成逼真的像素细节，却常常“看不懂”自己画的是什
扩散模型（Diffusion Models）在视觉生成领域取得了举世瞩目的成就，但其昂贵的迭代采样过程——通常需要几十甚至上百步推理——极大限制了实时应用部署。 近期，关于扩散模型蒸馏（DMD） 的两篇重量级论文引发了学术界与工业界的广泛关注。它们不仅刷新了 4 步成像的质量极限，更从根本上重新定义
引言 在大模型后训练阶段，强化学习（Reinforcement Learning, RL）已成为提升模型性能的关键技术。从早期的PPO到最新的SAPO，算法演进始终围绕训练稳定性、样本效率和计算开销三大核心挑战展开。 1 理论基石：TRPO与策略优化基础 1.1 TRPO的核心思想 信任域策略优化（
在大型语言模型（LLM）的强化学习（RL）阶段，特别是人类反馈强化学习（RLHF）中，我们追求策略 \pi_\theta 的持续优化。 然而，LLM 的复杂性和分布式训练特性，带来了一系列独特挑战，这些挑战在数学上可以统一归结为一个核心问题：策略部署（rollout）与策略更新（\pi_\theta
随着 GenAI 视觉模型（如 Sora 2、Google Nano Banana）的爆炸式发展，其惊人的效果背后是庞大的计算资源消耗。图像和视频模型的推理 FLOPs 甚至远超 LLM，导致部署成本高昂，难以普及。 SANA系列模型作为高效生成式基础模型的前沿探索，通过引入线性注意力（Linear
大语言模型（LLM）的强化学习（RL）微调常因训练与推理策略间的数值不匹配而面临训练不稳定的问题。相比在算法上引入重要性采样来打补丁，我们发现直接从根源上提高浮点数的精度更加有效。 论文：Defeating the Training-Inference Mismatch via FP16 链接：ht
在往期的 #青稞Talk 中，香港大学MMLab博士生吴成岳，曾直播分享过Fast-dLLM！Fast-dLLM 是 NVIDIA 联合香港大学、MIT等机构推出的扩散大语言模型推理加速方案。 关于 Fast-dLLM 的介绍可以参考： 港大&NV&MIT开源Fast-dLLM：无需重新训练模型，直
强化学习可以减少 VLA 模型对大量数据的依赖。我们提出了面向流匹配VLA（ π_0, π_{0.5}）的强化学习微调框架 π_RL ,提出了 Flow-Noise和 Flow-SDE两种微调技术路线。 Flow-Noise 在单层 MDP 中引入可学习噪声，通过完整的去噪序列计算动作似然；
11月18日（周二）晚8点，青稞Talk 第90期，同济大学博士生刘洪博，将直播分享《ShotBench: 面向增强MLLM摄影语言理解能力的训练与评估体系》。 论文：ShotBench: Expert-Level Cinematic Understanding in Vision-Language
训练与人类意图对齐的多模态大模型是一个长期挑战。传统的基于分数的奖励模型在强化学习（RLHF）中存在准确性低、泛化性弱和可解释性差等问题。 11月15日（周六）上午10点，青稞社区和减论平台将联合组织青稞Talk 第89期，并邀请到北京大学博士生周嘉懿，直播分享《Generative RLHF-V：
高保真三维资产生成在多个行业中至关重要。尽管近期的三维预训练模型在生成逼真内容方面表现出强大能力，但大多数模型基于diffusionmodels，并采用“两阶段”流程：先生成几何结构，再合成外观。这种解耦式设计常导致几何与纹理的不对齐，以及较高的计算成本。 论文：UniLat3D:Geometry-
11月8日（周六）上午10点，青稞Talk 第87期，香港大学直博生黄炜，将直播分享《RL 训练框架：QeRL，量化技术增强强化学习 Reasoning 探索》。 分享嘉宾 黄炜，香港大学三年级直博生，师从齐晓娟教授。英伟达研究院Efficient AI & Learning and Percept
长文本建模在智能体、文档问答等任务中具有重要意义，但传统方法在扩展上下文窗口时往往面临计算与内存开销巨大的挑战。 近期，视觉文本压缩（光学文本压缩）的概念因 DeepSeek-OCR 的提出而备受关注，其证明了文本信息可通过图像形式实现近乎无损的压缩与恢复。 在这一背景下，我们的同期工作 Glyph
11月4日（周二）晚8点，青稞Talk 第85期，NUS AI Researcher倪瑾杰，将直播分享《OpenMoE 2: Sparse Diffusion Language Models》，聊一聊为什么 Diffusion MoE 可能是下一代大模型架构方向。 分享嘉宾 倪瑾杰，NUS AI R
VLA模型已成为使机器人在真实环境中解决各类复杂操作任务极具前景的新范式，其发展仍受限于数据稀缺与泛化能力不足等问题，而强化学习能缓解数据依赖并显著提升模型性能与泛化性，正受到广泛关注。 本次报告将解读所提出的专为VLA模型设计的高效强化学习框架SimpleVLA-RL，内容主要分为三部分： • 首
10月28日（周二）晚8点，青稞Talk 第83期，清华大学博士生吕兴泰，将直播分享《统一 SFT & RL：迈向大型语言模型后训练的统一视角》。 分享嘉宾 吕兴泰，清华大学二年级博士生，导师为周伯文教授。研究方向为大语言模型架构优化、强化学习和高效训练技术。在ACL，EMNLP，NeurIPS，I
来帮社区的同学“还愿”了！！！ OpenCUA 是港大联合月之暗面提出的一个全面的开源框架，旨在扩展CUA的数据和基础模型，使用户可以高效、低门槛开发自主操作电脑的Agent。 论文：OpenCUA: Open Foundations for Computer-Use Agents 链接：https
更多解读请阅读：最新成果！Agent记忆的第三种可能：生成式隐式记忆 10月16日（周四）晚8点，青稞Talk 第81期，新加坡国立大学博士生张桂彬，将直播分享最新成果《MemGen：生成式隐式记忆，Agent Memory 的第三种可能》。 分享嘉宾 张桂彬是新加坡国立大学计算学院博士研究生，导师
10月21日（周二）晚8点，青稞Talk 第80期，清华大学博士生张开颜，将直播分享《RL for LRMs：探讨面向推理模型的 RL 最新研究》。 分享嘉宾 张开颜，清华大学三年级博士生，导师为周伯文教授。研究方向为大语言模型测试时扩展（Test-time Scaling）、强化学习和多智能体协同
10月18日（周六）上午10点，青稞Talk 第79期，伊利诺伊大学香槟分校 (UIUC) 博士生钱成，将直播分享《“知人者智”：以用户为中心的智能体交互与训练》。 分享嘉宾 钱成，伊利诺伊大学香槟分校 (UIUC) 二年级博士生，导师为季姮教授。本科就读于清华大学计算机系，导师为刘知远教授。目前工
9月18日（周四）晚8点，青稞Talk 第78期，新加坡国立大学博士生张桂彬，将直播分享《从 LLM-RL 到 Agentic RL：如何让语言模型成为自主智能体》。 分享嘉宾 张桂彬是新加坡国立大学计算学院博士研究生，导师为颜水成教授，研究方向为Multi-Agent System，Agent M
9月9日（周二）晚8点，青稞Talk 第77期，香港中文大学王鸿儒博士，将直播分享《Theory of Agent: From Definition, to Behavior and Objective》。 分享嘉宾 王鸿儒博士于香港中文大学获得博士学位，导师为黄锦辉教授(ACL Fellow)，研
9月6日（周六）上午10点，青稞Talk 第76期，英伟达NeMo团队高级深度学习算法工程师李之愈，以及高级产品经理高文雯，将直播分享《NeMo RL：让大规模 MoE 模型权重 Refit 加速 10 倍》。 分享嘉宾 李之愈是英伟达NeMo团队高级深度学习算法工程师，专注于大语言模型预训练以及后
8月30日（周六）上午11点，青稞Talk 第75期，加州大学圣地亚哥分校（UCSD）博士生姚峰，将直播分享《FlashRL：探讨现代 RL 框架中推理与训练的错位问题及解决方案》。 分享嘉宾 姚峰，加州大学圣地亚哥分校（UCSD）二年级博士生，导师是商静波教授，曾在微软研究院Deep Learni
8月23日（周六）上午10点，青稞Talk 第74期，淘天集团未来生活实验室算法专家王维埙博士，爱橙科技智能引擎算法平台大模型强化学习框架工程师熊绍潘，将直播分享《ROLL：面向 Agentic 场景的生产级大规模强化学习训练框架》。 代码：https://github.com/alibaba/RO
8月19日（周二）晚8点，青稞Talk 第73期，马里兰大学博士生陈玖海，将直播分享《从BLIP3o到BLIP3o-NEXT：迈向统一生成与理解的多模态大模型》。 代码：https://github.com/JiuhaiChen/BLIP3o 主题提纲 从BLIP3o到BLIP3o-NEXT：迈向
8月16日（周六）上午10点，青稞Talk 第72期，西湖大学修宇亮实验室访问学生李博谦，将直播分享 ICCV 2025 Highlight Paper 成果《ETCH: 通过等变紧度向量将人体拟合推广到穿衣人体的方法》。 论文：ETCH: Generalizing Body Fitting to
关于RLPR的技术报告解读：RL突破通用领域推理瓶颈！清华NLP实验室提出基于参考概率奖励的强化学习RLPR 8月12日晚8点，青稞Talk 第71期，清华大学自然语言处理实验室博士生余天予，将直播分享《RLPR：基于参考概率奖励的强化学习，推广 RLVR 到通用领域推理问题》。 分享嘉宾 余天予，
8月9日（周六）上午10点，青稞Talk 第70期，南洋理工大学MMLab博士生田淑琳，将直播分享 ACL 2025 Oral 成果《Evaluation Agent：面向视觉生成模型的高效可提示的评估框架》。 论文：Evaluation Agent: Efficient and Promptabl
8月7日晚8点，青稞Talk 第68期，通义千问研究员，Qwen3、QwQ系列开源模型核心贡献者郑楚杰，将直播分享《GSPO：迈向持续拓展的语言模型强化学习》。 GSPO算法解析：DeepSeek-GRPO重要性权重设计错误？详解Qwen3新强化学习算法GSPO 论文：Group Sequence
8月2日（周六）上午10点，青稞Talk 第68期，智谱 AI RL Infra 工程师、slime 开源项目作者朱子霖，将直播分享《slime：专为 RL Scaling 设计的大规模 RL 训练框架及实践》。 https://github.com/THUDM/slime 关于slime的分析可
8月5日晚8点，青稞Talk 第67期，Sea AI Lab（新加坡）算法工程师，新加坡国立大学博士生万信逸，将直播分享《大模型训练流水线并行四部曲：吞吐、内存、负载均衡与线性扩展》。 分享嘉宾 万信逸，Sea AI Lab（新加坡）算法工程师，新加坡国立大学博士生，专注机器学习系统领域的创新与突破
论文：Automatic Expert Discovery in LLM Upcycling via Sparse Interpolated Mixture-of-Experts 链接：https://arxiv.org/abs/2506.12597 7月26日上午11点，青稞Talk 第66期，香
7月22日晚8点，青稞Talk 第65期，香港中文大学(深圳)GAP实验室博士生叶崇杰，将直播分享《Hi3DGen：法线为桥，为高清三维几何生成另辟蹊径》。 分享嘉宾 叶崇杰, 香港中文大学(深圳)GAP实验室在读博士, 师从韩晓光教授。 主题提纲 Hi3DGen：法线为桥，为高清三维几何生成另辟蹊
李飞飞&谢赛宁空间智能新作！“认知地图+语言推理+RL优化”是逼近人类空间认知能力的有效路径 7月19日上午10点，青稞Talk 第64期，纽约大学访问学生尹柏乔和西北大学博士生王启能，将直播分享他们与李飞飞&谢赛宁等人合作的，在空间智能领域上的最新成果：MindCube，探讨空间智能可能的新路径。
7月15日晚8点，青稞Talk 第63期，华南理工大学与IDEA 联合培养博士蒋擎，将直播分享《ChatRex & RexSeek & RexThinker： 结合多模态大语言模型的目标检测模型构建》。 分享嘉宾 蒋擎，华南理工大学博士生，IDEA-CVR 实习生。其主要研究方向为开集目标检测，多模
7月12日上午10点，青稞Talk 第62期，英伟达公司研究员刁诗哲，将直播分享《ProRL: 延长强化学习训练框架，拓展大语言模型的推理边界》。 分享嘉宾 刁诗哲，英伟达公司研究员，曾以访问学者身份在伊利诺伊大学厄巴纳-香槟分校从事研究，并在字节跳动人工智能实验室与创新工场人工智能研究院实习。研究
GUI-Reflection，是一个开源的，让端到端多模态GUI模型学会自我反思和纠错的自动化框架。GUI-Reflection在智能体的各个训练阶段引入 “反思与纠错”机制，这一机制贯穿预训练、监督微调和在线训练全过程，模拟了人类“犯错→反思→重试”的认知过程，使模型在面对真实环境中的不确定性时，
7月5日（周六）上午10:00，青稞Talk 第60期，新加坡科技设计大学博士生曾广韬，将直播分享《Satori-SWE：用 Evolutionary Test-Time Scaling 让小语言模型解决复杂软件工程》。 分享嘉宾 曾广韬，新加坡科技设计大学的四年级博士生，研究方向为 Large L
往期解读：聊聊在大模型推理强化学习中熵机制上的探索 强化学习已经成为大模型智能跃升的下一个增长点，在这个背景下，本文旨在解决将强化学习用于大语言模型推理时面临的一个主要障碍——策略熵塌缩问题。 这种现象在大量未引入熵干预的强化学习训练中普遍出现，表现为策略熵在训练初期急剧下降，探索能力随之减弱，并始