Applied Compute提出生产强化学习范式

发生了什么

Applied Compute发布生产强化学习（prod RL）训练范式，旨在利用大模型生产推理数据流实现持续优化。该范式通过记录生产推理中的元数据，结合分数中心化和KL惩罚等技术，在无需模型工具包或合成环境的情况下，通过收集部署流量、构建数据集、训练模型及重新部署的循环，实现模型性能的持续提升。Applied Compute在AC2平台上使用Qwen3.6模型对国际象棋谜题进行了实验验证。