小米首个推理大模型突然开源！股价上涨近5%
小米开源首个推理大模型Xiaomi MiMo，7B参数量的MiMo-7B-RL在数学和代码竞赛上超过OpenAI o1-mini及阿里Qwen。研究显示通过预训练和后训练过程中的多项创新联动提升推理能力，涵盖多样化数据与高质量推理模式相结合策略的有效性。
强化学习
Transformer原作、斯坦福、清华交大三篇论文共识：基座模型边界锁死RL能力上限
MLNLP社区是国内外知名的人工智能社区，致力于促进学术交流。该领域内的三篇论文讨论了强化学习在大模型训练中的作用，并指出模型的推理能力大部分已在预训练阶段形成，RL更多起到优化选择路径的作用。
从底层重构强化学习训练框架，阿里高德开源新方法：抛弃替代损失函数，仅需优化原始目标
阿里-高德团队提出组策略梯度优化GPG方法，仅需优化原始目标，解决已有方法偏差，提高训练效率。在实验中，GPG性能全面超越现有方法，有望成为下一代基础模型训练的关键方法。
北航推出全开源TinyLLaVA-Video-R1，小尺寸模型在通用视频问答数据上也能复现Aha Moment！
北京航空航天大学推出小尺寸视频推理模型TinyLLaVA-Video-R1，其在通用问答数据集上进行强化学习效果显著。该工作引入人工标注的冷启动数据、长度奖励与答案错误惩罚，并为优势计算引入微小噪声，验证了小尺寸模型在视频推理中的潜力。