一篇关于智能体强化学习数据缩放定律的精彩论文。如果你正在为智能体强化学习合成数据，这篇论文值得一读。

研究者在任务、环境、轨迹三个维度上拟合了智能体强化学习数据的缩放定律。指数排序在不同模型规模、架构、领域以及 PPO 与 GRPO 下保持一致（环境 > 任务 > 轨迹），环境多样性是主要驱动因素。按其预算分配方案可比通常「生成更多轨迹」的做法获得最高 1.7 倍的计算效率。为什么重要：它为「该合成哪类数据」提供了原则性指导，可能大幅降低后训练成本。

• Elvis Saravia2026-10-20 12:54