RSIPO提出技能与策略协同进化的自改进智能体强化学习
RSIPO是一种自进化智能体强化学习框架，让策略从完成轨迹中抽取技能并与策略共同进化，同时用经验贝叶斯收缩校准对教师打分的信任。以Qwen2.5-7B为基座，其在ALFWorld上平均成功率达98.6%，较次优基线高2.5个百分点，较标准GRPO高17.4个百分点。代码、价格与国内可用性未知。
要点
- 策略可从完成轨迹抽取技能，并通过轨迹回放优化技能生成，使技能与策略在训练中协同进化。
- 经验贝叶斯收缩用于动态调整学生对教师分数的信任，以应对技能增强指导有时更不可靠的情况。
- Qwen2.5-7B在ALFWorld平均成功率98.6%，较次优基线和标准GRPO分别绝对提升2.5与17.4个百分点；暂无关联模型或数据集。
为什么值得看
现有可验证奖励与同策略自蒸馏方法常忽略技能的在线演化，也未充分处理技能增强后教师监督可能不可靠的问题。
谁会受影响
面向研究智能体强化学习、具身交互和搜索类长程任务的研究者与开发者。
今天就能怎么试
可查阅Hugging Face论文编号2610.15772；资料未提供代码、权重或复现入口，价格与国内可用性未知，未实测。
原始来源
1RSIPO: Recursive Self-Improving Policy Optimization for Agentic Reinforcement Learning via Skill-Policy Co-Evolution · Hugging Face Daily Papers · 2026年10月11日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。