Reinforcement-Learning

MMaDA-Parallel — параллельная мультимодальная диффузионная модель, где текст и изображение взаимодействуют на каждом шаге денойза. Благодаря ParaBench и обучению с ParaRL система устраняет накопление ошибок и повышает кросс-модальную согласованность, показывая +6,9% к выравниванию вывода относительно SOTA.

Tongyi DeepResearch — полностью открытый веб‑агент, который по качеству сопоставим с закрытыми системами. Он объединяет синтетические данные, агентное CPT/SFT и on‑policy RL, поддерживает ReAct и «Heavy Mode» (IterResearch), работает в стабильной офлайн‑среде и уже применён в реальных продуктах.