grpo

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

全面開源的 AI 研究與工程技能庫，適用於任何 AI 模型。將技能與你的 Claude / Codex / Gemini 代理打包，即可成為具備完整算力的 AI 研究代理。由 Orchestra Research 維護。

Agent Reinforcement Trainer：使用 GRPO 訓練多步驟代理以執行真實任務。為您的代理提供在職訓練。支援 Qwen3.6、GPT-OSS、Llama 等的強化學習

https://adongwanai.github.io/AgentGuide | AI Agent 開發指南 | LangGraph 實戰 | 高階 RAG | 轉職大模型 | 大模型面試 | 演算法工程師 | 面試題庫 | 強化學習｜資料合成

使用強化式 VLM 解決視覺理解問題。

OpenClaw-RL：僅通過對話即可訓練任何代理

從零開始在 PyTorch 中實現推理 LLM，逐步說明

🚀 一個開源、實作導向的課程，彌合基礎 RL 概念與 LLM 對齊、RLVR 及進階代理系統之間的差距

Skywork-R1V 是 Skywork AI 開發的先進多模態 AI 模型系列，專注於視覺-語言推理

verl-agent 是 veRL 的擴充套件，專為透過強化學習 (RL) 訓練 LLM/VLM Agent 所設計。verl-agent 也是論文 "Group-in-Group Policy Optimization for LLM Agent Training" 的官方程式碼。

[ECCV 2026] MixGRPO：透過混合 ODE-SDE 解鎖基於 Flow 的 GRPO 效率

面向 Agent 的持續改進堆疊。我們的環境資料與評估為 Agent 的改進和監控提供動力。

針對擴散與全能模型的多模態 RL 訓練框架

🌾 OAT：一個對研究友善的 LLM 線上對齊框架，包含強化學習、偏好學習等。

[NeurIPS 2025] AutoVLA：用於端到端自動駕駛，具備自適應推理與強化微調的視覺-語言-動作模型

RLAnything (ICML 2026) 與 AutoTool (ICML 2026)，DemyAgent：用於 LLM 與 Agent 場景的開源強化學習

探索 2B 模型上的多模態「Aha 時刻」

用於大規模全模態後訓練的非同步強化學習引擎。

關於影片生成強化學習的精選論文列表。

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