专题演讲嘉宾：吴翼 博士

随着大模型与智能体（Agent）技术的快速发展，强化学习（RL）正成为提升 AI 代理自主决策能力的关键引擎。然而，传统的 RL 训练方法面临计算成本高、数据需求大、系统复杂度高等挑战，限制了 Agent 的规模化落地。本次演讲我将重点介绍针对 Agent 模型的强化学习训练系统 AReaL 及其在 Agent 场景下的最佳实践。通过真实数据和可复现的代码，展示 AReaL 如何帮助开发者和企业高效构建智能体系统，并推动 AI Agent 从实验室走向产业应用。

演讲大纲

1. Agent 时代的强化学习新挑战

• 传统 RL 训练的瓶颈
  • 数据需求：高质量人类反馈（RLHF）的获取成本
  • 计算效率：长序列任务（10 K+ tokens）的显存与吞吐问题
  • 系统复杂度：多模块（生成、奖励、策略优化）协同训练的工程难题
• AReaL 的破局思路
  • 异步强化学习训练：2.77x 强化学习训练提升
  • SOTA 推理模型：通过强化学习在多个任务轻松实现 SOTA
  • 全栈开源简单易用：代码、数据、模型、脚本的完整可复现性，轻量级版本轻松入门强化学习

2. AReaL 在 Agent 场景的核心技术

3. Agent 最佳实践案例

4. 社区生态与未来计划

演讲亮点

• 面向 Agent 的强化学习技术突破
• 独家开源实践
• 前沿 Agent 场景落地

听众收益

• 获取降本增效的 RL 落地路径
• 解锁 AI 与业务场景的融合范式
• 了解 AReaL 未来支持多模态 Agent、异步训练的路线图，提前布局技术生态