grpo

PEFTまたはFull-parameterを使用して、600以上のLLM (Qwen3.6, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) および300以上のMLLM (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM4.5v, Gemma4, Llava, Phi4, ...) に適用する (AAAI 2025)。

あらゆるAIモデルに対応した、包括的なAI研究およびエンジニアリングスキルを提供するオープンソースライブラリ。このスキルをパッケージ化することで、あなたのclaude code/codex/geminiエージェントはフルパワーのAI研究エージェントになります。Orchestra Researchによってメンテナンスされています。

Agent Reinforcement Trainer: GRPOを用いた実世界タスク向けマルチステップエージェントの訓練。エージェントに現場トレーニングを提供。Qwen3.6、GPT-OSS、Llamaなどに対応した強化学習！

https://adongwanai.github.io/AgentGuide | AI Agent開発ガイド | LangGraph実践 | 高度RAG | キャリアチェンジLLM | LLM面接 | アルゴリズムエンジニア | 面接問題集 | 強化学習｜データ合成

強化学習されたVLMによる視覚理解を解決する

OpenClaw-RL: 話すだけで任意のエージェントを訓練

PyTorchで推論LLMをゼロから、ステップバイステップで実装。

🚀 基本的なRLの概念からLLMアライメント、RLVR、高度なエージェンティックシステムへのギャップを埋めるオープンソースの実践的カリキュラム

Skywork-R1V は Skywork AI が開発した高度なマルチモーダル AI モデルシリーズで、視覚と言語の推論を専門としています。

verl-agentはveRLの拡張であり、RLを介してLLM/VLMエージェントを訓練するために設計されています。また、論文「Group-in-Group Policy Optimization for LLM Agent Training」の公式コードでもあります。

[ECCV 2026] MixGRPO: Mixed ODE-SDEによるFlowベースのGRPO効率の解放

エージェントのための継続的改善スタック。環境データと評価機能により、エージェントの改善とモニタリングを駆動します。

拡散モデルおよびオムニモデル向けのマルチモーダル RL トレーニングフレームワーク

🌾 OAT：強化学習や好みの学習などを含む、LLMオンラインアライメント向けの研究しやすいフレームワーク。

[NeurIPS 2025] AutoVLA：適応的推論と強化学習によるファインチューニングを備えた、エンドツーエンド自動運転のためのVision-Language-Actionモデル

RLAnything (ICML 2026) & AutoTool (ICML 2026)、DemyAgent: LLM およびエージェントシナリオ向けのオープンソース RL

2B Modelにおけるマルチモーダルな「アハ体験」を探求

動画生成における強化学習に関する論文のキュレーションリスト

大規模オムニモーダル事後学習のための非同期強化学習エンジン

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