Uber利用强化学习优化司机与乘客的匹配算法，通过马尔可夫决策过程（MDP）框架建模，采用深度Q网络（DQN）方法学习价值函数，提升长期效率。系统通过离线训练和在线反馈循环，调整匹配策略，减少乘客等待时间并增加司机收入。该技术已在全球400多个城市部署，显著提高了市场平衡和用户体验。

Kimi研究员展现两大亮点：面对信息冲突时，能通过假设迭代实现自我纠偏，如在《聊斋·绿衣女》中精准核验书生对话次数；回答看似简单的问题也保持严谨，通过多轮交叉验证确认委内瑞拉球星胡安·阿朗戈的德甲经历。这波操作秀出了AI的深度检索与逻辑校验能力！

强化学习（RL）是机器学习中的一类多步决策问题，与传统的分类问题不同，RL没有标准答案，而是通过反馈机制评估决策效果。RL与大型语言模型（LLM）结合后，解决了LLM的指令遵从问题，衍生出RLHF（基于人类反馈的强化学习）技术，使模型更智能。RL的决策能力与LLM的理解能力相辅相成，共同推动人工智能的发展，尤其在Agent范式和多轮交互中展现出巨大潜力。

基于多智能体强化学习的全链路算力调度方案（MaRCA）通过用户价值、算力、动作价值预估及负载感知决策模块，解决流量波动大、算力资源受限下的商业价值最大化问题。MaRCA采用集中式训练与分布式执行，显著提升广告收入并降低系统风险，推动算力调度向智能化演进，为搜广推行业提供了高动态场景下的算力优化新范式。

探索如何通过强化学习教语言模型解决数独谜题，发现模型需遵循严格规则、逻辑推理及空间关系。实验使用400万数据集，分为四个难度级别，设计多组件奖励系统评估格式、答案准确性和规则遵守。7B模型表现稳定，3B模型则出现严重不稳定性。未来计划增加难度、扩展计算资源及改进奖励函数，提升模型复杂推理能力。

DeepSeek模型训练过程展示了其核心强化学习算法DeepSeek-R1-Zero的应用。通过监督微调和强化学习相结合，模型逐步提升了推理能力，解决了语言混合和可读性问题。训练中使用了多种奖励函数，确保输出格式和内容的准确性。实验表明，微调后模型在格式和答案上均表现优异，验证了强化学习在模型优化中的有效性。

基于强化学习的大模型训练微调技术正推动AI推理能力的显著提升。OpenAI和DeepSeek通过模仿人类慢思考过程，结合RLHF、DPO等方法，优化模型策略与奖励设计，增强复杂问题解决能力。未来，自我训练、高级推理与安全性的结合将进一步突破技术边界，推动AI向AGI迈进。

该论文提出一个多目标深度强化学习框架，通过集成多目标Q学习、基于交叉熵方法的决策融合算法和渐进数据增强系统，优化电商平台上的流量分配。

How Airbnb leverages machine learning and reinforcement learning techniques to solve a unique information retrieval task in order to…

动态定价策略并没有一个严格的定义，但是它提现了一个经济学中的核心概念就是：供需平衡。动态定价策略的一个简单定义是：在一定的市场环境中，供需双方为达到平衡点而做出的价格调整。动态定价在我们日常生活中的使用非常广泛。举一个很简单的例子，过年的时候，蔬菜普遍贵了，原因就是供应少了，所以蔬菜的价格上升，只是在互联网情况下，这种变动会更加快，更加敏捷。动态定价并不是一个新的概念，它和算法、智能、大数据相结合，能够在配送服务中实现更为智能化的管理和优化，降低配送成本并提高配送效率和用户体验。

Tackling decision making problems with a platform for developing & serving Reinforcement Learning models with a focus on Contextual Bandits

转转作为绿色循环经济的先行者，致力于二手商品交易平台的建设，需要有充足的货品保障，才能增加平台可逛性和用户粘性。省和好同步构建进行的过程中，“多”字方针也势在必行。首页推荐是“多”字方针承接场景，接下来从系统面临的挑战及解法来介绍首推场景。

AIGC 在图像生成领域如火如荼，StableDiffusion 加各种 LORA，ControlNet，大家玩得不亦乐乎。但是基于扩散模型的方式，仍然存在很多问题，比如抽卡成功率过低，生成图像的细节仍需优化。具体到二维码生成，目前 hugging face 上的几个 ControlNet 确实可以生成不错的二维码和语义融合的图像，但是往往需要大量尝试，并且加上后续的一些迭代修改，才能保证生成的图像能被正确地识别为想要地二维码。我们通过强化学习加课程学习的方式，在保证出图效果的基础上，将二维码识别率从 20%提高至 80%。

本文主要介绍了强化学习（Reinforcement Learning，RL）的基本概念以及什么是RL。

自AlphaGO击败围棋高手之后，不管在学术界还是工业界，强化学习的热度一直居高不下。而随着深度学习的发展，NLP的传统难题也得到一定的解决。如今强化学习的发展，也进一步推进了NLP各个方向的研究。

本文首先介绍了强化学习的基本概念，并着重梳理了一类模型无关的强化学习，即策略梯度算法。随后本文对其中的两种算法，进行了重点地分析和比较。最后，本文展示了基本策略梯度在之家业务中的一些应用，并讨论了该方法这些场景下的鲁棒性。