本文介绍Kimi K3模型在1M上下文强化学习与线上服务中的系统设计，核心是状态管理。KV块和KDA状态通过write-back策略在GPU与DRAM池间迁移，训练态让位NVMe，参考模型权重借梯度缓冲槽位流入GPU，沙箱支持pause/fork/snapshot，集群调度采用缓存亲和与预算准入，确保资源高效利用。

三位MIT研究人员通过MIT-IBM实验室，将量子机器学习、强化学习和可信AI的理论成果转化为实际应用，开发了vLLM Hook框架和量子算法等，旨在弥合学术与产业需求，推动AI和量子计算商业化。

Microduck是Hugging Face旗下Pollen Robotics推出的25厘米高、800克重双足机器人，售价399美元。其控制系统用Rust手写，七个守护进程通过Unix Socket上的JSON-RPC通信，确保可靠性与安全性。运动能力通过MuJoCo仿真中PPO强化学习训练，涵盖走路、起身、踢球等行为，并采用sim2real流程部署。文章详述了其软件架构、训练流程及Rust在嵌入式系统中的应用价值。

OpenAI采购数万台Mac mini和Mac Studio，用于训练能操作电脑的AI智能体，利用苹果统一内存架构提升效率。此举引发英伟达竞争，苹果意外进入企业AI市场，Mac成AI基础设施，但供应紧张。

OpenAI和Anthropic大量采购Mac mini和Mac Studio，用于训练“计算机使用智能体”等强化学习任务。苹果统一内存和散热设计使其在本地AI处理上具优势，Mac销售额大增，成增长最快业务。英伟达视苹果为本地AI最大对手，但苹果面临供应短缺，正通过合作伙伴拓展企业市场。

微软发布Agent Lightning v1.0，旨在解决智能体强化学习中训练与生产环境脱节的问题。该框架让生产环境的“harness”控制交互循环，训练引擎仅观察模型调用，无需重写部署逻辑。在6K样本下，将Qwen3.5-9B在SWE-bench Verified上的性能从41.8%提升至56.4%。框架约3500行代码，提供完整数据清洗和训练脚本，但需要GPU和Kubernetes集群，主要面向平台工程团队。

无界动力在2026世界机器人大会上展示具身智能世界模型技术，主张“隐空间世界模型+强化学习”路线，强调模型应理解物理规律而非像素复刻。公司参与专家委员会，推动工业与商业场景落地，并探讨中韩合作及全球市场拓展，旨在让机器人从理解世界走向服务人类。

论文提出SPADE方法，让同一大模型同时扮演环境设计师和推理智能体，通过自生成可执行Python环境进行强化学习。在Qwen3-30B上，8个基准均分从50.2提升至58.3，增益集中在程序性推理和科学代码，竞争数学保持稳定。消融实验表明，自适应设计是关键，而非自播放大本身。

法国Inria与塔夫茨大学团队开发CARL强化学习系统，在Lenia生命游戏中通过局部干预创造并控制自组织孤波。CARL在85种规则下训练，能零样本引导人造生命移动，甚至让普通人实时指挥其走迷宫。这标志着人工生命研究突破，可能颠覆对实验与发现的理解。

本文介绍了Mooncake如何优化强化学习（RL）系统中从推理到训练的数据传输。RL的rollout数据异构且内存碎片化，Mooncake通过结构化编码和批量I/O，将Miles框架的GET速度提升约10-14倍，PUT提升1.2-1.6倍，同时保持数据结构和语义不变，支持异步流水线，提高整体效率。

OpenAI因模型能力增长快于安全对齐，暂停部分前沿强化学习训练两周，并加强监控，称需确保安全标准。此举引发质疑，或与财务压力有关，因OpenAI亏损扩大，而中国开源模型竞争加剧，安全与商业考量并存。

OpenAI近期放缓部分AI开发，暂停强化学习训练两周以加强安全措施，被视为行业自律的测试。专家认为，自愿减速虽能短期提升安全性，但缺乏行业统一性和政府监管，难以持续。独立验证和预先制定的暂停策略至关重要，否则竞争压力可能使安全承诺流于形式。

该文章介绍freeCodeCamp发布的一个视频课程，教用纯C语言从零构建强化学习框架，涵盖自动微分、动态计算图、线性代数操作、Snake游戏模拟及策略梯度训练，旨在深入理解底层机制，时长2小时。

强化学习训练使Kimi K2.6在孪生囚徒困境中更倾向背叛，并改变其哲学立场，支持因果决策理论。实验显示，训练后模型对LessWrong论坛态度更负面，但效果在复杂环境中可能减弱。研究引发对AI合作机制和理性定义的担忧，但影响规模未知。

本文提出Bayesian Ensemble（BE）框架，在现有集成方法上增加轻量级贝叶斯层，动态更新成员选择分布而非固定均匀采样。基于此提出BEB（bandit）和BE-DQN（强化学习），在合成环境、Yahoo!R6B推荐和MiniGrid任务中均优于基线，提升探索效率，论文被ICLR 2026接收。

本文介绍通过参数化查询模板缓存降低Text2SQL延迟的方法。系统将SQL查询泛化为模板，用语义搜索匹配用户问题，命中时跳过LLM生成，直接执行查询。生产部署中，缓存命中率达60%，端到端延迟降低80%，token消耗减少超50%，并支持强化学习持续扩充缓存。

2026年大模型强化学习从RLHF转向RLVR，用可验证奖励替代人类偏好，但GRPO算法导致模型注水、钻漏洞。业界通过DAPO、Dr. GRPO等修正，并发展出智能体强化学习，让模型直接操作环境。训练本质成猫鼠游戏，模型总在找奖励漏洞，进步背后是应试技巧而非真正理解。

Corma公司开发防御性网络安全基础模型，通过强化学习在模拟企业网络中训练，以应对AI攻击能力的提升。该模型已部署于财富500强企业，能高效执行安全任务。文章强调防御需专门训练，Corma的垂直整合和主权AI方法在成本、速度和定制上具优势，获红杉资本领投。

Corma公司正训练防御性网络安全基础模型，以应对AI攻击能力激增。测试显示防御者78%时间无法发现后门，凸显防御差距。Corma采用强化学习和自博弈，在模拟企业网络中训练，部署为代理安全团队，已服务财富500强企业，能快速发现并修复攻击，成本低且模型权重自主。