搜索
今年以来，在线策略蒸馏 OPD（On-Policy Distillation）已经逐渐成为大厂 LLM 后训练中的重要组件，例如 DeepSeek-V4，GLM5 就使用了多教师 OPD 来整合不同领域专家模型的能力，相比混合奖励强化学习收敛更快、效果更好。
近日，能量桥科技（上海）有限公司（以下简称“能量桥”）宣布完成新一轮融资，由 Monolith 砺思资本领投，中科创星跟投。
阿里巴巴 Z-Image 团队联合香港科技大学、加州大学圣地亚哥分校、香港中文大学等机构提出 D-OPSD（On-Policy Self-Distillation），首个针对少步扩散模型的在线策略自蒸馏框架。D-OPSD 无需奖励模型、无需成对偏好数据，
英国AI安全研究所（AISI）昨天扔下重磅炸弹：Mythos在模拟企业内网32步渗透任务中10次过6，GPT-5.5也跟着10次过3，连此前所有模型都没破过的Cooling Tower靶场都被首次攻破！更炸的是——Cyber能力翻倍周期一路压到4.5个月，瓶颈不是智力，是Token。这场ASI决赛，人类评测已经追不上AI了。
上个月我遇到一个挺尴尬的事。同事指着屏幕上一张零件截图问我："这个法兰盘，外径多少，孔位怎么分布的？"我张嘴比划了半天，最后打开SolidWorks重新画了一遍给他看。明明脑子里是完整的三维造型，传到另一个人那里就变成了一堆说不清的数字和手势。
当下的大模型后训练（Post-training）pipeline 中，On-Policy Distillation（OPD）已经成为了明星技术。从 Qwen3、MiMo 到 GLM-5，业界纷纷采用 OPD 并报告了巨大的性能提升。相比于强化学习（RL）稀疏的结果奖励，OPD 提供了密集的 Token 级别监督信号，看起来就像是一顿「免费的午餐」。
把强大模型的能力“蒸馏”给小模型，听起来很美—— 但放到多轮对话Agent场景里，效果往往一塌糊涂。
还记得之前破产的扫地机器人鼻祖公司 iRobot 吗？最近它的创始人科林·安格尔（Colin Angle），在经历公司破产重整之后拿出了他的新作品。
最近，具身智能圈被 Generalist CEO 的一篇长文《Going Beyond World Models & VLAs》刷屏。文章抛出了一个看似振聋发聩的观点：目标远比工具标签更重要。与其陷入 “我们到底是在做 VLA（视觉 - 语言 - 动作模型）还是世界模型（World Model）” 的教条之争，不如回归本源：让机器高效、准确地作用于物理世界。
小红书AI平台团队刚刚开源了Relax——一个为全模态数据、Agentic工作流和大规模异步训练协同设计的现代RL训练引擎！实测全异步Off-Policy模式相比共卡On-Policy吞吐提升76%，相比veRL的全异步实现提升20%！