DYcoder

原论文：MetaClaw: Just Talk – An Agent That Meta-Learns and Evolves in the Wild 作者：Peng Xia, Jianwen Chen, Xinyu Yang 等

原论文：Youtu-Agent: Scaling Agent Productivity with Automated Generation and Hybrid Policy Optimization 作者：Yuchen Shi, Yuzheng Cai, Siqi Cai, Zihan Xu 等（腾讯优图实验室、复旦大学、厦门大学） 发表时间：2025 年 12 月

原论文：OpenClaw-RL: Train Any Agent Simply by Talking 作者：Yinjie Wang, Xuyang Chen, Xiaolong Jin, Mengdi Wang, Ling Yang 代码：Gen-Verse/OpenClaw-RL

本文整理自腾讯云开发者社区，介绍如何在国内顺畅使用 Claude Code 进行 AI 编程。

GRPO（Group Relative Policy Optimization）相比 PPO 最显眼的改动，就是去掉了 Critic Model（价值网络）。这一简化让训练流程干净了很多，但也带来了一系列不容忽视的问题。本文系统梳理这些问题，以及后续是如何应对的。

GRPO：强化学习的”上一代方法” DeepSeek 开创性地使用了一种叫 GRPO（Group Relative Policy Optimization，组相对策略优化） 的算法。 用大白话解释它的逻辑： 对同一道题，让 AI 生成一组（比如 8 个）不同的回答，然后比较这组回答里谁得分高、谁得分低，以此作为”相对好坏”的信号来更新 AI。 这比之前的方法（PPO）简单很多——PPO 需要额