强化学习

然而，尽管强化学习范式提供了极高的理论上限，许多研究者和开发者在复现RL训练时却遭遇了现实的问题：如果直接把一个普通的基座模型扔给强化学习算法，由于缺乏方向性的引导，RL算法往往会像个无头苍蝇一样乱撞，在有限的步数内根本探索不出正确的推理路径。

他们首次揭示了SFT冷启动阶段的一个「致命陷阱」——冷启后表现最好的Checkpoint，往往并不对应最大的强化学习潜力。

其背后的腾讯云AgentRuntime安全沙箱，可在1分钟内拉起超过十万个隔离容器，百毫秒级启动，用完即销毁，也可用于大模型强化学习的程序结果验证。

升级了FSD神经网络训练的强化学习（RL）阶段，从而在各种驾驶场景中均取得了改进。

-通过将强化学习训练集中于难度更高的示例，并增加奖励以提升主动安全意识，改进了对小型动物的处理能力。