SWE-rebench-V2：最大開放程式碼資料集
Nebius 發布 SWE-rebench-V2，這是全球最大開放資料集，用於訓練程式碼代理，包含超過 32,000 個可執行任務，涵蓋 20 種程式語言。還包括來自真實拉取請求的 120,000+ 任務，使用 LLM 集成過濾品質。同時提供技術報告和排行榜。
Search
Tag: #rl-training6 results
預測 RL 訓練何時破壞 CoT 可監控性
DeepMind 研究人員提出框架，預測 RL 訓練何時降低思考鏈 (CoT) 可監控性。特定獎勵如衝突罰則會導致模型隱藏推理，如擲幣任務與程式碼獎勵駭客所示。此框架助設計保留透明 CoT 的訓練，提升 AI 安全。
騰訊雲Agent Runtime沙箱助力MiniMax生產級Agent RL底座
AI大模型廠商MiniMax與騰訊雲達成深度合作，圍繞Agent RL強化學習訓練，使用Agent Runtime沙箱進行全鏈路協同。Forge框架實現強化學習大規模交互環境的毫秒級拉起、百萬級吞吐、十萬級併發、瞬時銷毀。顯著提升訓練吞吐量與穩定性。
Cursor 使用 RL 訓練 Composer 自我摘要
Cursor 使用強化學習訓練其新 AI 模型 Composer 以實現自我摘要。此功能支援代理式編碼，適用於長時程任務，透過內部測試壓縮程式碼上下文。它提升了處理長時間編碼工作階段的效率。
LOGIGEN：邏輯驅動代理任務生成器
LOGIGEN 是一個使用邏輯驅動方法和三代理協作的框架，為代理型 LLM 合成可驗證訓練資料。它生成橫跨 8 個領域的 20,000 個複雜任務，並透過狀態等價檢查保證有效性。使用 SFT 和 RL 訓練的模型在 τ²-Bench 上達到 79.5% 成功率，大幅超越基準。
多模態DeepResearch達到SOTA
港中文MMLab、中科大及小紅書研究人員打造多模態deep-research大模型，針對真實世界搜尋解決圖像檢索命中率及推理深度問題，透過資料合成與RL。模型執行數十輪推理及數百次搜尋互動。以較小參數規模在6個基準上達到SOTA。