不到8000美元训练的AI拿下Stratego头号选手
16 张 H100 训练一周，就打赢了 DeepNash 要花几百倍算力才够到的水平。不完全信息博弈的研究门槛正在落到高校实验室的预算以内，若其他团队用公开方法复现不出同样的效率，这个判断要打折扣。
强化学习 资讯与深度分析
收录 强化学习 相关 AI 新闻、产品动态和产业观察。 本页收录 12 篇已发布文章。
小米复盘MiMo重复调用，修复花9万美元
OpenCode 里 Flash 版每 100 次回复约有 1 次原地打转，训练 20 步后单轮十次以上调用的样本从 11.1% 涨到 24.6%。改阈值重跑预估 231 万美元，最终方案约 9 万美元。
DeepSeek公开沙箱底座，单日跑300万个
一个生产单元约 160 台节点，每天拉起约 300 万个沙箱，峰值并发约 38 万，每秒能新建 5000 个以上。单节点稳定跑 3200 个容器或 800 个 microVM。
小米MiMo-V2.6开源，智能指数46分
Pro 版这轮强化学习花了约 262 万美元，Flash 版约 85 万美元，六天跑完。换来的 46 分，在 Artificial Analysis 的开源榜上压过 Kimi K3 和 Qwen3.8 Max，离 Claude Fable
Hugging Face 用 178 张图训模型画水彩
奖励函数里没有单元测试，只有一池 178 张手工评分的参考图。这条路子把强化学习从数学题、代码题挪到了说不清对错的地方，也顺带把训练一个有审美的模型的账单压到几百美元量级。
RLinf v0.3打通机器人训练闭环
机器人公司最近都在讲大脑、世界模型和真机泛化，训练工具反而很少站到台前。7 月 16 日，无问芯穹与清华大学等团队把 RLinf 升到 v0.3，发力点正好卡在这条链路的中段：数据怎么采、监督微调怎么接强化学习、训练完怎么推到真机。
Sutton创办20瓦智能体公司
当大模型公司还在给数据中心找电，Richard Sutton 把新公司的目标写成了另一个尺度： 1 万亿参数、实时学习、实时规划、功耗 20 瓦 。 20 瓦约等于人脑日常耗能。这个数字放在 2026 年的 AI 语境里很刺眼。
强化学习之父称大模型做不出真正科学
强化学习之父 Richard Sutton，最近给整个大模型行业泼了盆冷水。 他的话很冲：一个只会预测下一个词的 AI，永远做不出真正的科学。 6 月 1 日，这个观点被翻出来又火了一轮。
AlphaGo 之父融资 11 亿美元造自学 AI
11亿美元种子轮，估值51亿。 这是David Silver的新公司Ineffable Intelligence昨天（4月27日）宣布的数字。整个欧洲创投史上没出现过这么大的种子轮——大多数AI公司A轮、B轮加起来都凑不到这个钱。 更值得说
Mira Murati新公司14个月估值达120亿
Mira Murati是在2024年底离开OpenAI的，那时候OpenAI正处在上市前夕的高光时刻，她是技术总监，带着一批核心工程师走的。 大家都以为她会去做另一个追逐GPT的语言模型。 结果她做了Tinker。
索尼Ace乒乓球机器人竞技中首胜人类
这事过了43年。 1983年，John Billingsley发表了第一篇乒乓球机器人论文，叫"Robot Ping Pong"。那时候能做到的，是用一个关节把球打回去，还得靠固定位置。
Kimi K1.5 验证强化学习驱动推理
月之暗面在K2之前发布的K1.5，核心看点是 用纯强化学习来提升推理能力 。 技术路线 K1.5的推理增强不是靠SFT（监督微调）或RLHF的常规路线，而是更加依赖 纯RL（强化学习）训练 。 这和DeepSeek R1的思路类似——让模型