7G显存，训练自己的DeepSeek-R1，GRPO资源暴降80%
Unsloth AI 提供了 GRPO 训练算法，使用户能够在仅 7GB VRAM 上重现 DeepSeek R1-Zero 的‘顿悟时刻’，相比传统方法减少约80%的 VRAM 使用量。
强化学习
SFT并非必需！推理模型仅靠RL就能获得长思维链能力，清华CMU团队破解黑盒
研究团队通过对比SFT和RL两种方法发现，长CoT的生成需要大量的计算资源。他们提出了四个关键发现：SFT并非必需但能简化训练并提高效率；推理能力随着训练计算增加而出现，但并非总是如此；可验证奖励函数对增长CoT至关重要；基模型中的错误修正等技能需要通过RL有效地激励。
喝点VC｜光速美国：Deepseek仍未能全面赶超最强基础模型，迈向下一个前沿需要大量资本
DeepSeek仅用600万美元训练出强大AI模型引起广泛关注，但其真正的价值在于推动技术发展。文章指出，美国的大型AI实验室应将AI的安全研究和开发作为优先事项，强调迈向AGI（通用人工智能）才是关键目标。
DeepSeek GRPO 技术揭秘：Unsloth 助力 7GB 显存体验“顿悟时刻”
DeepSeek R1 模型利用 GRPO 算法实现自主学习能力，仅需 7GB 显存即可训练出具备推理能力的模型，大幅降低训练门槛和成本。
从扭秧歌到单脚跳，HugWBC让人形机器人运动天赋觉醒了
AIxiv专栏介绍及其新成果HugWBC控制器，支持机器人同时掌握多种步态及精细调整行为指令，提高运动控制能力。该研究成果在模拟环境中训练，并通过评估验证其有效性。