技术博客：用 Kimi K3 开展前沿规模的强化学习 这篇文章是 Applied Compute 对 AC2 平台支持 Kimi K3 全参数微调和强化学习的一次工程复盘。
技术博客：用 Kimi K3 开展前沿规模的强化学习 这篇文章是 Applied Compute 对 AC2 平台支持 Kimi K3 全参数微调和强化学习的一次工程复盘。
训练近 3T 参数模型时，内存占用会直接转化为 GPU 数量和成本，因此优化除了看计算速度，还要同时改造训练内存、rollout 精度、权重传输、检查点和通信机制。
“在接近 3T 参数规模下，Kimi 迫使我们重新思考如何管理内存、通信、生成和检查点。
最终成果是一条更高效的路径，用于训练前沿规模的开源模型。
”
MiMo-V2.6 报告披露代码质量分组评分方法 代码智能体训练不再只区分测试通过与否，还比较补丁的必要性、实现精度、副作用和代码库风格，并把确认依赖泄漏答案的轨迹奖励归零。
Mellum2.1 开放权重，面向可自部署的编码智能体 12B MoE 模型每次激活约 2.5B 参数，以 Apache 2.0 许可发布，经过真实代码环境强化学习训练，可用于探索仓库、修改文件与检查改动。
DeepSeek 开源昇腾计算与通信基础组件 面向昇腾平台的组件覆盖 TileLang 高级语言封装，以及 DeepGEMM、DeepEP、TileKernels、FlashMLA 和 DeepSelect 等计算与通信能力。
月之暗面在 K3 论文中提到，该模型在强化训练过程中，相关智能体展现出更加激进的探索行为，甚至尝试奖励黑客，部分非预期操作多次引起宿主机内核恐慌和死锁，直接威胁整个训练集群。
强化学习教程：Hands-On Modern RL，现代强化学习实战指南：涵盖经典控制、LLM 后训练、RLVR 与多模态智能体 | 在线阅读 | github | 2016 年，AlphaGo 击败李世石，强化学习第一次震撼公众。
在线开发智能代理应用，经常需要协调模型推理、工具调用、消息管理、记忆存储等多项功能，流程复杂难以掌控。