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 11 条
Perplexity 与 NVIDIA 提出 JOLT：教师学生联合强化学习
Perplexity 与 NVIDIA 团队提出后训练方法 JOLT（Joint On-policy Learning and Teaching），让同一个模型同时扮演教师和学生两个角色：教师能看到特权信息，学生看不到，而且教师本身也会被训练，以保证其反馈始终可用。在 MATH 上，JOLT 达到 GRPO 的准确率，但处理的训练 token 少 6.5 倍。测试覆盖 Qwen3-0.6B、Qwen3-4B-Instruct、Qwen3-8B、Qwen3-30B-A3B-Instruct 和 DeepSeek-V2…
推荐理由做 RL 后训练可省 6.5 倍 token，AppWorld 通过率高 9.9 个百分点
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。
NVIDIA 联合普林斯顿发布 PivotOPD，教多轮 Agent 从关键错误中恢复
NVIDIA 与普林斯顿大学、马里兰大学提出 PivotOPD，一种面向多轮 LLM Agent 的在线策略蒸馏方法，训练 Agent 避免最致命的早期错误，并在错误发生后恢复。在 ALFWorld、WebShop 和搜索问答上，Qwen3-1.7B 与 Qwen3-8B 学生模型对 13 个基线取得全部 8 项分榜平均最优。最佳结果：从 72.7% 的重放关键错误中恢复，标准 OPD 仅 20.3%。最差：1.7B 学生在 ALFWorld「Look」任务上为 55.9%，SOD 为 83.9%。方法在 H100…
推荐理由关键错误恢复率从 20.3% 提到 72.7%，且零额外推理成本，做多轮 Agent 的可以直接参考这套训练思路。
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
Fireworks 实验：数值不对齐会让 RL 训练奖励崩溃
Fireworks 在 GLM 5.2 上做对照实验：同一算法、同一数据跑 countdown 推理任务，仅改变训练器与 rollout 引擎计算 token 概率的方式。不对齐时两者 KL 约 0.013，为保持稳定每批要丢弃约 45% 样本，奖励升到约 0.9 后在 20 步左右崩到 0.2 以下；对齐后 KL 为 0，无样本丢弃，25 步内奖励稳定。在 Qwen3.5-MoE 上还发现，即使一方精度更高，专家输出合并方式不同也会导致分歧，并可能翻转路由决策。
推荐理由做 RL 训练的人可以直接抄结论：先对齐训练器与推理引擎的数值，否则 45% 的样本白扔、奖励还会崩。
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…