微软研究院发布 Agent Lightning，将现有 AI 智能体接入强化学习训练
微软研究院发布 Agent Lightning，该工具可将现有的 AI 智能体接入强化学习训练，无需重新构建智能体。
#reinforcement-learning
查看全部AI快讯Adithya S K 在 Hugging Face Hub 上推出 RL Environment Explorer
该工具支持开发者探索、可视化并运行涵盖 OpenEnv、Harbor、MiMo、Verifiers 以及 NeMo Gym 的强化学习环境，覆盖 Hugging Face Hub 上的逾 1200 万个任务条目。
CoreWeave 推出 Forge，打通智能体追踪、评估与无服务器强化学习
CoreWeave 推出 CoreWeave Forge，将智能体追踪、评估与无服务器强化学习整合在同一环境中。该平台提供免费入门层，并为新账户提供 30 天 Pro 版试用。
小米在强化学习中引入质量核对清单评分，防止 MiMo-V2.6-Pro 投机通过测试
仅以通过测试为目标训练的模型会出现插入非请求代码、静默忽略错误等问题。小米在强化学习中将测试结果与质量核对清单评分相乘来解决该问题。调整后的 MiMo-V2.6-Pro RL 在 Artificial Analysis Intelligence Index 取得 46 分，位列开放权重模型首位。
CoreWeave 推出 RL Rollouts，支持强化学习中的实时模型权重更新
CoreWeave 推出基础设施功能 RL Rollouts。该功能可在强化学习过程中将新模型权重直接加载到运行中的推理部署中，且不会中断正在处理的请求。NVIDIA 和 You.com 已使用该功能对用于网络搜索的 Nemotron 3.5 Lightning 进行了后训练。
Scale AI 开源强化学习环境基础运行时 AgentEnv
Scale AI 已开源 AgentEnv，该项目是其内部用于支持 AI 智能体训练的强化学习环境基础运行时。
Meta AI 推出面向长周期研究智能体的 MIRA 架构
Meta AI 研究人员推出了 MIRA，这是一种将元推理与执行解耦的双组件智能体架构，旨在提高长周期研究任务中的决策能力。
Hugging Face Hub 支持托管强化学习环境
强化学习环境现已可直接托管于 Hugging Face Hub，通过复用既有数据集基础设施，实现跨框架的存储、版本控制、权限门控及预览功能。
CMU 论文训练 4B 提议模型编辑智能体 harness，不改动求解器
这篇 harness 学习论文用强化学习让提议模型根据任务、当前 harness 和执行报告修改 harness 代码。训练后的 4B 提议模型在 Reasoning Gym 的单步修订上超过其 35B 教师模型，且 HotpotQA 上的训练可迁移到 MuSiQue 和 2WikiMultihopQA。
Prime Intellect 推出 Prime Inference
Prime Intellect 推出 Prime Inference，并表示该服务已为强化学习及客户专属部署处理了数万亿 token。
Amazon AGI 论文提出面向智能体强化学习环境的 AutoGym
Amazon AGI 的一篇论文提出 AutoGym。它可从少量领域种子或过往模型轨迹出发，同时写出智能体任务、可执行环境和验证器。
Critical-State RL 只训练会改变结果的那一次工具调用
DAIR.AI 介绍了 Salesforce AI Research 的一种方法：找出多轮工具调用中动作会改变后续奖励的那一次，并只更新这一次调用。在 BFCL v4 的 missing-function 任务上，训练所选轮次大约增加 14 分。
Surya 正在直播 RL 训练过程
Surya 表示，其 RL 训练过程正在 brusharena.art/live 直播，灵感来自 LuoFuli。
Adithya S K 发布 SmolDataEnvs，含 5000 余个可验证强化学习任务
SmolDataEnvs 是一套开源的可验证强化学习环境任务，数量超过 5000 个，用于在代码与数据科学领域对小模型做爬山式优化。此次发布包含环境、评测和训练。
最干净的公开终端智能体 RL 集合中，仅 35.8% 通过 Salesforce AI Research 审计
Salesforce AI Research 将该集合的干净比例定为 35.8%，另外两个分别为 10.1% 和 3.3%，并发现两个方向的奖励错误。作者称，用于过滤缺陷环境的 RIVER 在使用不到 TMax 30% 环境的情况下，使 Terminal-Bench-Lite 上的 RL 增益提高 106%，Terminal-Bench v2.1 上提高 30%。
NVIDIA 的 Skill2Env 将公开 Agent Skills 编译为 7,971 项终端任务
Codex 规划器与创建器将每项技能转化为经过测试的终端工作流，评分标准取自该技能自身的质量标准。仅按结果的强化学习使 Qwen3.8-27B 在 Terminal-Bench 2.1 上从 49.4% 提升至 54.1%；加入评分标准后达到 50.1%，但在轨迹比较中胜出更多。