Hyphenate 融资 4500 万美元，用强化学习 Agent 做企业财务
Hyphenate Inc. 完成 4500 万美元 A 轮融资，由 Nexus Venture Partners 领投，累计融资额达到 5400 万美元。该公司开发由强化学习驱动的 AI Agent，用于自动化企业财务任务。原文信息有限，未披露估值、客户数量与产品上线时间。
推荐理由做财务自动化或企业 Agent 的团队，可参考这条赛道当前的融资节奏与领投方
共 8 条
Modal 发布 Dojo：不到 100 行代码训练 LLM
Modal 推出开源训练库 Modal Dojo，用于生产级 LLM 后训练。该库基于 Miles、Slime 等开源框架构建，官方称不到 100 行代码即可跑通训练流程，支持从 5 亿到数万亿参数模型，并可加载 Hugging Face 数据集或 Harbor 环境。Modal 表示，若已有生产环境的 Agent harness 和评测轨迹，就等于完成了 80% 的准备工作，可直接用这些数据训练。
推荐理由已有 Agent 生产轨迹的团队，可以用它把评测数据直接转成训练集，省去自建训练栈
Modal 用混合精度混合加速器采样器做 RL 训练
Modal 提出在强化学习中让采样器与训练器使用不同精度和不同加速器：采样器跑在 B200、B300、H100、H200 等六种加速器上，分别用 NVFP4、FP8、BF16 权重，训练器在 B200 上用 BF16 更新策略。由于采样已占大模型 RL 运行 80–85% 的 GPU，这一改动可降低成本。团队用 Miles 框架、SGLang 采样器和 Megatron-LM 训练器，在 Qwen3.6-35B-A3B 上做完全异步的 Agent 编码任务训练，上下文最长 256K，使用小米 MiMo-V2.6 发…
推荐理由采样占 RL 训练 80–85% 的 GPU，这套方案给出用低精度、异构卡跑采样器的具体做法和评测结果。
阿里 Qwen 发布 QwenGyre：面向超长任务 Agent 的弹性强化学习框架
阿里 Qwen 团队推出 QwenGyre，一个用于超长任务（XLong-horizon）Agent 训练的弹性强化学习框架，已在 Qwen 3.6 122B 和旗舰 Qwen 3.8 2.4T 上验证，单次 rollout 约 70 万 token。核心思路两条：在 rollout 与训练之间调度空闲 GPU；把分支化的 Agent 历史压缩成有界训练样本。相比 Async 提速 1.38 至 1.78 倍，相比 Colocate 提速 1.21 至 1.85 倍，TerminalBench 上最高 1.85 倍…
推荐理由做长任务编码 Agent 训练的人可参考：NL2RepoBench 48 步涨 6 个点，弹性调度思路可直接借鉴
前 DeepMind 科学家 David Silver 创业做 RL 超级学习者
前 DeepMind 科学家、AlphaGo 主要设计者 David Silver 接受 Financial Times 采访，介绍其新创业公司 Ineffable。该公司试图用强化学习（RL）构建一个 AI「超级学习者」，作为大语言模型之外的另一条技术路径，目标是造出能自我教学的机器。Silver 表示自己有一种推进这项技术的道德义务。原文为付费墙后的采访，具体技术细节和融资信息有限。
推荐理由AlphaGo 核心人物转向 RL 路线创业，是观察「后 LLM 时代」技术分歧的一个具体样本。
AI 攻克 Stratego：16 张 H100 一周击败人类最强棋手
AI 系统 Ataraxos 在军棋类桌游 Stratego 上击败了史上最强人类选手 Niemeijer（四届世界冠军、世界排名第一超 600 周）。Stratego 双方 40 枚棋子暗置，可能布局超 10^33 种，属不完全信息博弈，此前是 AI 尚未超越人类的最后几个主要棋类之一。DeepMind 的 DeepNash 曾用 1024 个 TPU 节点训练 2-3 个月（约 300-450 万美元）仍未突破顶尖人类水平；Ataraxos 仅用 16 张 H100 训练一周加 4 张 GPU 四天，成本不到 …
推荐理由16 张 H100、不到 8000 美元就攻下不完全信息博弈，做博弈 AI 的可以看它的样本效率技巧
OpenAI 提出前沿 AI 训练安全案例框架
OpenAI 发文提出，前沿强化学习训练开跑前应要求结构化安全文档，并希望最终达到航空、核能等行业「安全案例」的严格程度。文中给出初步准则：技术保障需覆盖对齐训练、隔离与监控三部分，具体包括用 Agent 自动审查数据集、人工复核、调优评分器惩罚奖励黑客、对历史实验轨迹跑分类器验证评分器，以及离线对齐评估和回溯测试。OpenAI 称这是当前思考，会随内部流程迭代，并邀请社区反馈。
推荐理由想了解前沿模型训练安全流程具体包含哪些环节，这份准则给出了可对照的清单
Fireworks 发布 ARCv3 压缩器，RL 权重更新体积减半
Fireworks 推出 ARCv3 压缩器，用于压缩从训练端发送到 RL rollout 机器的 BF16 权重更新。在 1000 个生产环境 RL 权重更新 delta 上，ARCv3 生成的传输负载比 ARCv2 小近 50%，且能无损重建训练端的精确 BF16 权重。更小的传输量让 rollout 集群更快跟上当前策略，使跨区域使用算力更可行，不必依赖单一大型同地集群。ARCv3 已通过 fireworks-delta-compression 在 Fireworks Training API 中提供，面向自…
推荐理由跨区域 RL 训练可省近 50% 权重传输量，自建 trainer 的团队可直接接入…