ailab科幻影视

机器人训练遇瓶颈？清华和上海AI Lab出新招，缺数据也能冲 SOTA

一直以来，VLA模型训练走的都是“大规模预训练+有监督微调（SFT）”的路子。可这SFT简直是个“吞金兽”，要训练它得有大量高质量的机器人操作轨迹数据。

这篇论文标题是《ASurveyofReinforcementLearningforLargeReasoningModels》，专门梳理RL在大推理模型（LRM）里的最新进展。

然而，现有方法多依赖于监督微调（SFT），模型一来只能模仿预先构造的 parallel thinking 数据，难以泛化到真实的复杂任务中，其次这种方式对数据要求很高，往往需要复杂的 data pipeline 来构造。

在 2013 年，DeepMind 就展示过一个小实验：用 RL 训练的智能体，只凭屏幕上的像素和得分反馈，就能学会玩上世纪的街机游戏《打砖块》。几年后，AlphaGo 和 AlphaZero 更是通过自我对弈和奖励信号，超越了世界顶尖棋手，在围棋、国际象棋和

为此，上海人工智能实验室OpenDataLab团队在数据领域持续深耕，正式推出了开放数据竞技场OpenDataArena

就是验证非对称性（Asymmetry of Verification） —— 一个古老但正在重塑 AI 未来的深刻原则。它的核心思想是：对很多任务而言，验证一个解的好坏，远比从头创造一个解要容易得多。

深度研究智能体（Deep Research Agents）凭借大语言模型（LLM）和视觉-语言模型（VLM）的强大能力，正在重塑知识发现与问题解决的范式。