AI的“顿悟时刻”！Meta超级智能实验室力作DreamGym，让智能体在“梦境”中自我超越！

尽管利用强化学习（RL）实现大型语言模型（LLM）智能体的自我改进潜力巨大，但昂贵的部署成本、有限的任务多样性、不可靠的奖励信号以及基础设施的复杂性阻碍了可扩展经验数据的收集。因此，智能体强化学习实际应用仍充满挑战。

针对上述挑战，Meta超级智能实验室联合芝加哥大学、加州大学伯克利分校的研究者们提出DreamGym——以可扩展性为核心设计的统一框架，能够合成多样化的经验数据实现面向自主智能体的高效在线强化学习训练。DreamGym不依赖成本高昂的真实环境rollouts数据，而是将环境动态蒸馏为推理经验模型，通过逐步推理生成一致的状态转移与反馈信号，从而实现可扩展的智能体强化学习rollout数据收集。在不同场景下的实验结果表明，DreamGym能显著提升智能体强化学习训练效果。此外，将纯合成经验训练的策略迁移至真实环境中进行强化学习时，DreamGym不仅带来额外的性能增益，还能降低真实交互次数，为通用强化学习提供可扩展的热启动策略（warm-start strategy）。

01 方法

（1）推理经验模型

图1：相较于传统智能体学习范式，DreamGym提供了具有统一基础设施的可扩展强化学习框架。

如图1所示，DreamGym 的核心是一个可扩展的**推理****经验模型。**与以往试图复现外部系统的方法不同，该经验模型的设计基于一个关键洞见：智能体训练并不需要完美的真实环境，而是需要足够多样化、信息丰富且具有因果基础的交互数据，以获取完成目标任务所需的知识。

如图2所示，通过推理经验模型与智能体进行交互，DreamGym 能够生成富含信息且多样化的任务轨迹用于强化学习训练。

推理经验模型运行于抽象的元表征文本空间中，在此抽象状态空间中合成状态转移，能够有效缩减无关维度，生成比基于原始观测所得轨迹更具信息量且更节省 token 的轨迹。

例如，在网页购物任务中，经验模型无需处理原始 HTML 代码，而是直接合成简洁的元素列表，同时剔除页眉、标签等无关结构元素。这种状态空间的设计使得经验模型的训练具有极高的样本效率——实验中仅需少量公开的轨迹数据集即可完成训练，同时也显著提升了智能体学习的效果。

图2： DreamGym 智能体训练框架概览。

（2）经验回放缓冲区

为确保合成经验的多样性和信息量，DreamGym 为经验模型配备了一个经验回放缓冲区，通过检索缓冲区中既相似又多样化的轨迹来指导当前状态预测。

在每一步交互中，智能体根据当前状态采取行动，经验模型基于交互历史与回放缓冲区中的Top-K相似经验进行思维链推理，推导出下一状态及奖励信号。

该缓冲区用离线知识进行初始化，并通过实时生成的轨迹持续扩充，使经验模型与智能体协同进化，从而保证生成的rollout数据与智能体更新后的策略保持一致，实现稳定训练。

（3）任务生成器

经验模型还充当任务生成器，识别具有高奖励熵的任务，并生成越来越具有挑战性的变体。这种设计构建出高效的课程学习体系，使智能体能力提升时持续接触更高难度的任务。

通过整合交互、记忆与自适应在线任务生成三大模块，DreamGym突破了长期制约LLM 智能体强化学习训练的核心瓶颈：高昂的成本、多样化任务的稀缺、不稳定的奖励信号以及对基础设施的重度依赖。

02 评估

研究团队在"强化学习可行但计算昂贵"与"强化学习尚不可行"两种场景下全面评估DreamGym，选取的智能体测试基准包括：

（1）WebShop：需通过推理优化搜索查询并精准定位商品以完成电商任务；

（2）ALFWorld：要求基于工具进行多轮具身交互在3D环境中导航；

（3）WebArena-Lite：提供真实网页交互界面，但本身并不适合直接进行RL训练——因其缺乏可扩展的数据收集机制和环境重置能力，且计算成本高昂。

研究团队评估了四组方法：（i）离线模仿学习算法：SFT、DPO；（ii）真实环境中的在线强化学习算法：GRPO、PPO；（iii）DreamGym：使用相同强化学习算法，但仅依赖纯合成的经验数据；（iv）DreamGym-S2R：首先在合成经验上进行训练，随后迁移到真实环境中进行强化学习。

表1 DreamGym与各类智能体训练算法的对比结果。

DreamGym在非强化学习适配环境WebArena中，展现出最显著的优势。如表1所示，与现有方法因环境限制而难以有效应用强化学习不同，仅通过DreamGym合成经验训练的智能体在所有主干模型上均取得了超过30%的成功率。这表明，DreamGym不仅是一种对昂贵rollouts的有效替代，更使得那些因固有任务特性与工程约束而此前无法开展强化学习训练的领域首次具备了可行性。

在强化学习适配的环境WebShop、ALFWorld上，仅使用合成rollouts训练的DreamGym智能体，其表现与经过8万次真实交互数据训练的GRPO和PPO智能体相当。这一结果表明，即使不依赖外部真实交互，DreamGym 也能生成连贯、有意义且足以支持策略稳定提升的状态转移与奖励信号。

此外，在纯合成环境训练的基础上再辅以少量真实rollouts(5000次)进行强化学习，DreamGym-S2R能够超越在真实环境中从头训练的GRPO与PPO基线。这验证了假设：合成训练可作为一种高效的热启动策略，为后续在真实环境样本下高效强化学习奠定坚实基础。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】