什么是 PPO？

Tsinghua University's AIR DISCOVER Lab open-sources UniLab, achieving 3-10x end-to-end training speedup through heterogeneous architecture, supporting local training on Mac and enabling humanoid robot training in minutes, marking the arrival of the minute-level era for embodied intelligence.

腾讯论文通过递归自我改进方法使终端代理性能提升超200%，Terminal-Bench测试集表现从20.68%跃升至50.58%。

腾讯在LLM强化学习中通过调整批处理大小和学习率，显著提升训练效率。PPO吞吐量提升2.29倍，GRPO验证时间减少29%。

腾讯在LLM强化学习中通过调整批处理大小和学习率，显著提升训练效率，节省29%时间。

ClawGym II通过混合harness训练提升RL代理性能，Qwen3-30A3B在Pass@1上提升显著。

苹果提出多模态大模型对齐新方法BDHS，无需额外标注即可提升模型性能，揭示离线与在线对齐方法结合的有效性。