本文围绕开源MoE代码大模型DeepSeek-Coder-V2展开深度解读，该模型基于DeepSeek-V2中间 checkpoint，新增6万亿词元持续预训练，搭配60%代码、10%数学、30%自然语言的专属语料，实现编码、数学推理能力大幅跃升，同时保留优质通用语言能力。模型将编程语言支持拓展至338种，上下文长度拉满至128K，在HumanEval、MATH等多项基准测试中，性能比肩甚至超越G

本文介绍了一种基于强化学习的GUI智能体训练方法ARPO，通过在UI-TARS-1.57B模型上应用GRPO强化学习框架，结合256个并行虚拟环境的大规模rollout系统，显著提升了智能体在OSWorld基准测试中的表现。实验结果显示，该方法在标准设置下任务成功率提升6.4%，在更严格的OSWorld Hard设置下提升5.6%。关键创新包括引入经验回放机制保存高价值轨迹、结构化轨迹分组优化策略