AWS 在博客中给出 Amazon SageMaker AI 多轮强化学习（MTRL）的实操指南，用 Wordle 作为示例训练 gpt-oss-20b。训练作业和待训练的策略模型由 SageMaker AI 负责，智能体、游戏环境和奖励函数托管在 Bedrock AgentCore，只对整局结果打分，再由 GRPO 更新 LoRA 适配器。
推荐理由：从奖励设计、部署到训练失败的完整排错记录，给出了可复用的多轮强化学习落地路径和单次训练成本。
玩一款没有教程的新游戏，难点常常是逐步摸清规则：点过哪里，画面发生了什么变化，刚才不起眼的标记，是否后来才显出作用。对于多模态智能体，这也意味着一项能力：需要时，能够重新查看已经见过的画面。 最近，MIT 何恺明团队提出的 VISTA，将这种“回头看”的能力做成了模型与环境之间的交互框架。它保留原始视觉记录，让模型自行选择回看时间、画面区域和细节尺度。在 ARC-AGI-3 的 25 个公开游戏上，搭配 Claude Opus 5.0 和 GPT-5.6 Sol 的系统都完…
推荐理由：逐级消融实验拆开了视觉记忆、主动检视与像素读取各自的得分贡献，可看清框架收益来自哪一层。
在实时游戏中，玩家行动与世界回应之间的停顿，其可容忍窗口非常狭窄。如果回应太慢，这个瞬间就会失去冲击力，玩家会拿起手机或切换标签页。一位优秀的人类 DM 即使在自己思考时，也会让桌面保持推进。他们可能会用一点描述来拖延时间，同时查看笔记，或者让玩家彼此交谈，但不会让所有人坐在没有反馈的沉默中一分钟。与此同时，即时回应也并非必要——玩家愿意在合理范围内稍等片刻，以换取一个出色的结果。我们的叙事世界模型意味着故事可以追踪自身的世界状态，并在数小时的会话中保持连贯，但如果每一轮回…
推荐理由：原文给出快慢双时间线架构，把玩家等待放在短回复上，后台完成长程叙事规划，为 AI 游戏降低感知延迟提供可迁移方法。
Granite Switch 4.1 的 8B 和 30B 模型发布，可在单一托管端点中切换聊天、决策和语音转文本任务。
推荐理由：原文给出决策、语音转写与聊天共用一个端点的配置，读者可据此评估多任务模型在 GPU 显存上的取舍。
Meta 发布开源权重多模态混合专家模型 Muse Spark Open。该模型总参数约 816B、每 token 激活约 42B，上下文最长 1M tokens，支持文本、图像、音频和视频输入并输出文本。
推荐理由：原文给出总参数、激活参数、上下文长度和多模态输入规格，并附部署与微调路径，适合评估其作为开源编码智能体的可用性。
Oct 13, 2026| 我们正为开发者、企业、科学家和消费者提供访问我们最新前沿模型的权限。 您的浏览器不支持音频元素。 收听文章 [[duration]] 分钟此内容由 Google AI 生成。生成式 AI 是实验性的。 本文 专为解决您最棘手的问题而打造 解决复杂工程任务
推荐理由：官方给出多领域基准、工程案例和 API 价格，读者可据此判断其在编码、科研与安全任务中的可用性。
世界模型是在基于模型的强化学习中引入的，作为一种学习得到的动力学模型或“转移函数”，用于预测下一个状态。其背后的动机是让强化学习能够通过模拟环境进行，而不需要直接与环境交互。世界模型还为智能体提供了一条路径，使其能够规划和推理自身行动的后果，而不是仅仅依赖规模。然而，从想象经验中学习的效果取决于世界模型本身：在其预测错误的地方，智能体会基于幻觉出的未来进行训练，并学到在真实环境中失败的行为。迄今为止，大多数世界模型所想象的世界里只有一个智能体，但最能带来教益的经验恰恰是与他…
推荐理由：原文给出多智能体世界模型与策略在同一训练循环中互相修复的机制，以及 SMACv2 与 MQE 上的具体对比数据。
超参数科技发布自研游戏智能体COTA，称其为首个完全由大语言模型驱动、具备思维可解释性且实机表现达到真人高分玩家水平的游戏智能体产品。COTA以Qwen3-VL-8B-Thinking为基座，采用指挥官与行动专员双系统分层架构，响应时间最快可缩减至100ms。超参数科技已在官网开启COTA预约体验通道。
推荐理由：文中给出双系统分层架构和SFT、GRPO、DPO训练流程，可了解大模型如何满足实时游戏的时延要求。