grpo

使用 PEFT 或 Full-parameter 对 600+ LLM（Qwen3.6、DeepSeek-V4、GLM-5.1、InternLM3、Llama4、...）和 300+ MLLM（Qwen3-VL、Qwen3-Omni、InternVL3.5、Ovis2.5、GLM4.5v、Gemma4、Llava、Phi4、...）进行 CPT/SFT/DPO/GRPO（AAAI 2025）

全面开源的 AI 研究与工程技能库，适用于任何 AI 模型。将技能与您的 Claude / Codex / Gemini 代理打包，即可成为具备完整算力的 AI 研究代理。由 Orchestra Research 维护。

Agent Reinforcement Trainer：使用 GRPO 训练多步骤代理以执行真实任务。为您的代理提供在职培训。支持 Qwen3.6、GPT-OSS、Llama 等的强化学习

https://adongwanai.github.io/AgentGuide | AI Agent 开发指南 | LangGraph 实战 | 高级 RAG | 转行大模型 | 大模型面试 | 算法工程师 | 面试题库 | 强化学习｜数据合成

使用强化式 VLM 解决视觉理解问题。

OpenClaw-RL：仅通过对话即可训练任何代理

从零开始在 PyTorch 中实现推理 LLM，逐步说明

🚀 一个开源、实作导向的课程，弥合基础 RL 概念与 LLM 对齐、RLVR 及进阶代理系统之间的差距

Skywork-R1V 是 Skywork AI 开发的先进多模态 AI 模型系列，专注于视觉-语言推理

verl-agent 是 veRL 的扩展，专为通过强化学习 (RL) 训练 LLM/VLM Agent 所设计。verl-agent 也是论文 "Group-in-Group Policy Optimization for LLM Agent Training" 的官方代码。

[ECCV 2026] MixGRPO：通过混合 ODE-SDE 解锁基于 Flow 的 GRPO 效率

面向 Agent 的持续改进栈。我们的环境数据与评估为 Agent 的改进和监控提供动力。

针对扩散与全能模型的多模态 RL 训练框架

🌾 OAT：一个对研究友好的 LLM 在线对齐框架，包含强化学习、偏好学习等。

[NeurIPS 2025] AutoVLA：用于端到端自动驾驶，具备自适应推理与强化微调的视觉-语言-动作模型

RLAnything (ICML 2026) 与 AutoTool (ICML 2026)，DemyAgent：用于 LLM 与 Agent 场景的开源强化学习

探索 2B 模型上的多模态“Aha 时刻”

用于大规模全模态后训练的异步强化学习引擎。

关于视频生成强化学习的精选论文列表。

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

A systematic AI Agent development tutorial covering LLM agents, RAG, tool use, memory systems, multi-agent systems, LangChain, LangGraph, MCP, and agentic RL.｜从零开始学 AI Agent 开发 | 系统、全面、实战导向的 Agent 开发教程 | 每日自动追踪 arXiv 最新论文 | Learn AI Agent Development from Scratch