騰訊混元新研究聚焦在線大模型強化學習的批大小設置：當模型自生成訓練數據、rollout生成與訓練縮放節奏不一致時，經典臨界批大小理論需在新場景重推。研究覆蓋GRPO與PPO等主流算法並給出務實結論，爲大規模GPU集羣下提升訓練效率提供參考。
英偉達開源Polar強化學習訓練框架，核心創新在於使Codex、Claude Code等主流代碼智能體無需修改原生代碼即可接入GRPO訓練。該框架解決代碼智能體從單步任務向複雜長流程任務（如倉庫級修改、OS交互）演進時的行業痛點，打破了智能體強化學習的“圍牆”。
英偉達研究團隊推出開源AI框架Polar，旨在讓現有智能體框架（如Codex、Claude Code、Qwen Code）無縫接入廣義相對策略優化（GRPO）訓練方法。GRPO是一種強化學習優化技術，通過獎勵信號調整模型策略，提升多步決策任務表現。Polar不改變原有工具調用、上下文組織和補丁提交方式，顯著增強代碼智能體的性能。
騰訊發佈Training-Free GRPO技術，通過外部知識庫替代參數微調，在模型參數凍結狀態下實現性能優化。該方法將經驗知識轉化爲token級先驗信息，顯著降低訓練成本，在DeepSeek-V3.1-Terminus模型上達到與昂貴微調相當的提升效果。
Alibaba
$1
輸入tokens/百萬
-
輸出tokens/百萬
32
上下文長度
oberbics
本模型是基於Meta的Llama-3.1架構微調的文本生成模型，使用TRL庫和GRPO（Group Relative Policy Optimization）方法進行強化學習訓練，專門針對論證生成任務進行了優化。
Thrillcrazyer
Qwen-1.5B_THIP是基於DeepSeek-R1-Distill-Qwen-1.5B在DeepMath-103k數學數據集上使用TRL框架進行GRPO方法微調的數學推理模型。該模型專門針對數學問題解決進行了優化，具備較強的數學推理能力。
Salesforce
GTA1是基於GRPO強化學習訓練的GUI接地模型，專門用於圖形用戶界面自動化操作。相較於依賴冗長思維鏈推理的方法，GRPO直接激勵可操作和有根據的響應，在多個基準測試中表現出卓越的接地性能。
openmed-community
基於Arcee的AFM-4.5B的輕量級醫療微調模型，採用三階段訓練方法（SFT→DPO→GRPO-CoT）進行優化，專門用於醫療教育和研究場景。
GTA1是基於強化學習（GRPO）訓練的最先進GUI接地模型，專門用於圖形用戶界面自動化任務。與依賴冗長思維鏈推理的方法不同，GRPO直接激勵可操作和有根據的響應，在多個挑戰性數據集上展示了卓越的接地性能和代理性能。
Jackrong
基於microsoft/phi-4（14B）基礎模型的三階段訓練GRPO推理測試模型，通過SFT→RLHF→SFT流程微調，具備優秀的多步推理能力
lastmass
MedGemma-GRPO是MEDGemma模型的微調版本，專為臨床病例推理任務設計。該模型結合監督微調（SFT）和組相對策略優化（GRPO），旨在引導模型遵循邏輯診斷路徑，在合成醫療案例數據集上訓練，特別適用於複雜心血管、血栓和自身免疫性疾病的診斷推理。
Azzindani
這是一個專門針對印尼法律領域優化的語言模型，基於DeepSeek-R1-0528-Qwen3-8B使用GRPO方法在印尼法律問答數據集上微調而成，專注於提升法律推理和結構化思維能力。
ykarout
該模型是基於DeepSeek-R1-0528-Qwen3-8B的微調版本，使用TRL和GRPO方法進行訓練，專注於數學推理能力的提升。
OptimusePrime
Magistral-Small-2506-Vision 是一個基於 Mistral Small 3.1 進行 GRPO 訓練的推理微調版本，具備視覺能力的實驗性檢查點。
HelloKKMe
GTA1是基於強化學習（GRPO）訓練的最先進GUI定位模型，通過直接激勵可操作響應而非冗長推理，實現精準界面元素定位。
kartd
這是一個基於Qwen-14B模型微調的版本，使用GRPO方法進行訓練，適用於文本生成任務。
GTA1是一個基於強化學習（GRPO）的GUI定位模型，通過直接獎勵成功點擊來實現精準定位，避免冗長的思維鏈推理。
Jakala
J-1是基於Gemma 3 4-B模型，使用GRPO方法在意大利語數學和推理問題上進行訓練的推理模型。在Invalsi ITA測試數據集上，性能從基礎模型的57%提升到了79%，顯著提升了意大利語推理能力。
lmstudio-community
INTELLECT 2是由PrimeIntellect推出的大語言模型，支持40960 tokens的上下文長度，採用QwQ架構和GRPO強化學習框架訓練。
E1-Math-1.5B是基於DeepSeek-R1-Distilled-Qwen-1.5B微調的語言模型，支持彈性推理和GRPO方法，適用於預算受限的推演場景。
mlxha
本模型是基於Qwen/Qwen3-4B在medmcqa-grpo數據集上使用GRPO方法微調得到的醫療問答大語言模型。它專門針對醫學選擇題場景進行優化，具備較強的醫學推理能力。
AITeamVN
基於Qwen2.5-7B-Instruct微調的越南語檢索增強生成(RAG)專用大模型，採用GRPO優化方法訓練
XGenerationLab
XiYanSQL-QwenCoder-3B-2504是XGenerationLab發佈的最新SQL生成模型，通過微調和GRPO訓練優化，支持多種方言，具有高效準確的SQL生成能力。
析言SQL-QwenCoder-2504是最新的SQL生成模型，結合微調與GRPO訓練，在SQL生成上兼具效率與準確性，支持多方言，開箱即用，在不同方言和域外數據集上表現出色。
%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)
VIP會員
