grpo

Usa PEFT o parámetros completos para CPT/SFT/DPO/GRPO en más de 600 LLMs (Qwen3.6, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) y más de 300 MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM4.5v, Gemma4, Llava, Phi4, ...) (AAAI 2025).

Biblioteca integral de código abierto de habilidades de investigación e ingeniería de IA para cualquier modelo de IA. Empaqueta las habilidades y tu agente de claude code/codex/gemini será un agente de investigación de IA con toda su potencia. Mantenido por Orchestra Research.

Agent Reinforcement Trainer: entrena agentes multipaso para tareas del mundo real utilizando GRPO. Dale a tus agentes entrenamiento práctico. ¡Aprendizaje por refuerzo para Qwen3.6, GPT-OSS, Llama y más!

https://adongwanai.github.io/AgentGuide | Guía de desarrollo de AI Agent | LangGraph en la práctica | RAG avanzado | Transición a LLM | Entrevistas de LLM | Ingeniero de algoritmos | Banco de preguntas de entrevistas | Aprendizaje por refuerzo | Síntesis de datos

Resuelve la comprensión visual con VLMs reforzados

OpenClaw-RL: Entrena cualquier agente simplemente hablando

Implementa un LLM de razonamiento en PyTorch desde cero, paso a paso

🚀 Un plan de estudios práctico y de código abierto que puentea la brecha desde los conceptos básicos de RL hasta la alineación de LLM, RLVR y sistemas de agentes avanzados.

Skywork-R1V es una serie avanzada de modelos de IA multimodal desarrollada por Skywork AI, especializada en razonamiento de visión-lenguaje.

verl-agent es una extensión de veRL, diseñada para entrenar agentes LLM/VLM mediante RL. verl-agent es también el código oficial del artículo "Group-in-Group Policy Optimization for LLM Agent Training".

[ECCV 2026] MixGRPO: Desbloqueo de la eficiencia de GRPO basado en flujos con ODE-SDE mixtas

La pila de mejora continua para agentes. Nuestros datos de entorno y evaluaciones potencian la mejora y el monitoreo de agentes.

Framework de entrenamiento de aprendizaje por refuerzo multimodal para modelos de difusión y omnimodales

🌾 OAT: Un marco de trabajo amigable para la investigación de alineación en línea de LLM, que incluye aprendizaje por refuerzo, aprendizaje de preferencias, etc.

[NeurIPS 2025] AutoVLA: Un modelo de visión-lenguaje-acción para conducción autónoma de extremo a extremo con razonamiento adaptativo y ajuste fino por refuerzo.

RLAnything (ICML 2026) y AutoTool (ICML 2026), DemyAgent: RL de código abierto para LLMs y escenarios de agentes

Explora el momento "Aha" multimodal en un modelo de 2B.

Un motor de aprendizaje por refuerzo asíncrono para el post-entrenamiento omnimodal a gran escala.

Una lista curada de artículos sobre aprendizaje por refuerzo para la generación de video

Official implementation of GDPO: Group reward-Decoupled Normalization Policy Optimization for Multi-reward RL Optimization