其中一项技术便是精心模拟 “工作空间”，让智能体在其中接受多步骤任务训练 —— 这种 “工作空间” 被称为强化学习（reinforcement learning，简称 RL）环境。正如带标签的数据集推动了上一波 AI ...

涉及这一方法的有两篇发布于今年5月的论文。第一篇是SEALab的《无验证器强化通用推理》。它的逻辑也很简单，就是与其相信外部验证器，不如直接 用模型自身对答案的“自信度”来设定奖励。

在过去相当长的一段时间内，强化学习是否能带来推理能力引发了诸多讨论。在多篇论文的累积下，学界逐渐形成了一种共识，即RL更多的只是在做一个搜索剪枝的功能，让采样更有效率，其输出的正确答案，并未超越预训练模型本身的能力。

传统的Agent，多半依赖预设的流程，像一条早已铺好的路。可一旦底层模型更新，整个系统就需要推倒重来。 Kimi采用的端到端地强化学习，走的是另一条路。它让模型在未知的问题里自由探索，不靠固定的程序，而靠数据和反馈一点点成长。

近日，字节跳动与香港大学联合推出了名为Mini-o3的全新开源视觉推理模型，标志着多轮视觉推理技术领域的又一重大突破。与以往只能处理1-2轮对话的视觉语言模型（Visual Language Models, VLMs）不同，Mini-o3在训练期间将对话轮数限制为6轮，但在测试期间，可以将推理轮数扩展到数十轮，从而大大提高了处理视觉问题的能力。

在浩瀚的太平洋彼岸，一场别开生面的研学之旅悄然启幕，引发了人们对未来教育模式的无限遐想。2025年暑假，七位来自广雅中学的学子，怀揣着对未知世界的憧憬，踏上了加拿大西温哥华的土地。