7月2日，开源强化学习基础设施项目AReaL发布2.0版，旨在打通基础模型训练与智能体应用间的链路，为Agent场景提供强化学习训练支撑。2.0版面向真实业务，提供持续学习基础设施，可记录、整理Agent在任务中的交互过程并接入后续训练流程，让智能体在使用中持续进化。
英伟达开源Polar强化学习训练框架，核心创新在于使Codex、Claude Code等主流代码智能体无需修改原生代码即可接入GRPO训练。该框架解决代码智能体从单步任务向复杂长流程任务（如仓库级修改、OS交互）演进时的行业痛点，打破了智能体强化学习的“围墙”。
英伟达研究团队推出开源AI框架Polar，旨在让现有智能体框架（如Codex、Claude Code、Qwen Code）无缝接入广义相对策略优化（GRPO）训练方法。GRPO是一种强化学习优化技术，通过奖励信号调整模型策略，提升多步决策任务表现。Polar不改变原有工具调用、上下文组织和补丁提交方式，显著增强代码智能体的性能。
郝建邺认为，AI若不能从“存储”跨越到“记忆”，就无法成为真正的智能伙伴。其创立的忆纪元科技（MemoraX AI）成立仅一个月，便完成千万美元种子轮融资，由L2F光源创业者基金、钟鼎资本联合领投。资金将主要用于Agentic RL（智能体强化学习）技术的研发，旨在突破大模型仅作为“高效搜索引擎”的局限。
JaxMARL - 多智能体强化学习库
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Anthropic
$7
$35
200
$21
$105
Alibaba
$4
$16
$1
$10
256
Baidu
-
32
Xai
$1.4
$10.5
Deepseek
$12
128
$54
$163
$8.75
$70
400
$1.75
$14
$15
Chatglm
$8
$2
open-thoughts
OpenThinker-Agent-v1 是一个基于 Qwen3-8B 进行后续训练的开源智能体模型，专为终端操作和软件工程任务而设计。它首先在高质量监督微调数据集上进行训练，然后通过强化学习进一步优化，在 Terminal-Bench 2.0 和 SWE-Bench 等智能体基准测试中表现出色。
PokeeAI
PokeeResearch-7B是由Pokee AI开发的70亿参数深度研究智能体，结合基于AI反馈的强化学习(RLAIF)与推理框架，能够执行复杂的多步骤研究工作流程，包括自我修正、验证和综合分析。
agentica-org
DeepSWE-Preview 是一个完全开源的、先进的编码智能体，通过强化学习训练，在软件工程任务中表现卓越。
somya17ban
这是一个使用 stable-baselines3 库训练的 PPO 智能体模型，专门用于解决 CartPole-v1 强化学习任务。
honestlyanubhav
一个基于Unity ML-Agents训练的深度强化学习智能体，专门用于双人足球游戏场景。
Mouryahimanshu
这是一个基于PPO算法的深度强化学习智能体，用于玩哈吉游戏，使用Unity ML-Agents库训练。
xwm
基于Llama-3.1-8B-Instruct微调的强化学习模型，采用元计划优化技术提升智能体规划能力
PampX
这是一个基于Unity ML-Agents库训练的PPO智能体模型，专门用于哈吉游戏中的强化学习任务。
Aitor
这是一个基于PPO算法的强化学习智能体，专门训练用于在Unity的ML-Agents金字塔环境中进行导航和任务解决。
PraveenKishore
这是一个使用Unity ML-Agents库训练的PPO算法智能体模型，专门用于金字塔环境中的强化学习任务。
damilare-akin
这是一个基于PPO算法的强化学习智能体，专门为Unity的蠕虫游戏训练而成。
rram12
这是一个基于PPO算法的强化学习智能体，专门训练用于在Unity的ML-Agents金字塔环境中导航和完成任务。
michael20at
这是一个使用PPO算法在Unity ML-Agents金字塔环境中训练的强化学习智能体模型
adil-o
curt-tigges
一个基于PPO算法的强化学习智能体，专门训练用于玩贪吃蛇游戏
这是一个基于PPO算法的强化学习智能体，专门为Unity ML-Agents的金字塔环境训练而成。
rebolforces
这是一个基于PPO算法的强化学习智能体，专门训练用于解决Unity ML-Agents中的PushBlock游戏任务。
一个基于PPO算法训练的深度强化学习智能体，用于Unity的PushBlock游戏环境
Mahmoud7
这是一个基于PPO算法的强化学习智能体，专门训练用于Unity ML-Agents的金字塔环境。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
