Macaron团队基于强化学习平台，探索了三个关键应用场景：Balanced Reasoning强调在保证正确性的前提下缩短推理过程，提高用户体验与资源效率；Agentic Memory利用多轮对话机制与记忆向量，实现跨长对话的精确记忆，提升长期任务的连贯性；Human-Agent Interaction则通过情感反馈与动态奖励机制，使模型具备更人性化的沟通方式和高效工具调用能力。这些应用体现了大

Macaron团队基于强化学习平台，探索了三个关键应用场景：Balanced Reasoning强调在保证正确性的前提下缩短推理过程，提高用户体验与资源效率；Agentic Memory利用多轮对话机制与记忆向量，实现跨长对话的精确记忆，提升长期任务的连贯性；Human-Agent Interaction则通过情感反馈与动态奖励机制，使模型具备更人性化的沟通方式和高效工具调用能力。这些应用体现了大

摘要：Macaron团队通过All-Sync RL架构实现大模型强化学习的高效训练，该架构同步进行推理和训练以提高GPU利用率，相比传统方法将训练时间从9小时缩短至1.5小时。同时采用LoRA低秩微调技术减少通信开销，并结合DAPO算法增强训练稳定性。这些创新使671B参数模型的RL训练GPU需求从512张降至48张。系统还引入截断重要性采样处理训练与推理的分布差异，通过Coati训练框架和SGL