2025 年，大语言模型的热潮仍在继续，但研究者们逐渐意识到，当前主流的训练范式已显现瓶颈。基于人类偏好反馈的强化学习（PBRFT）所训练出来的大语言模型（包括但不限于 GPT-4、Qwen-2.5 等）擅长生成高质量的单次回答，但在需要长期规划、与动态环境交互和持续自我学习的复杂任务面前却力不从心。LLM 似乎被困在了“会说”的阶段。 更多的工作与模型，开始关注如何让 LLM 与复杂环境交互的过 ...