重磅RL报告发布：附9B蒸馏模型，7000个RL环境将开源

tokenbender · x · 2026-09-22

tokenbender 评价一份内容丰富的 RL 技术报告发布：除完整报告外，还放出了一个小型 9B 蒸馏模型，并预告将开源约 7000 个强化学习环境（RL envs），认为是一次非常扎实、素材丰富的发布。

作者补充讨论了 MOPD2 部分：大型混合 RL 之后部分任务依然困难，此时用专家教师模型（specialist teachers）收益更高；这种前缀条件化的 OPD 方法作者此前称其为 guided RL。