李飞飞/DeepSeek前员工领衔，复现R1强化学习框架，训练Agent在行动中深度思考

新强化学习框架RAGEN由DeepSeek前员工与斯坦福李飞飞团队共同开发，专注于解决多轮强化学习中训练崩溃问题。研究揭示了三大难点：回声陷阱、数据质量不足及推理动机缺乏，并提出基于StarPO的轨迹级优化方法。论文总结六大发现，涵盖模型崩溃动态及奖励设计重要性。此外，同团队还发布了多模态Agent训练框架VAGEN，两者代码均已开源。
来源：https://mp.weixin.qq.com/s/VSKrpqLldrPWY0DA3K4xmA