HybridRL

HybridRL 阶段的奖励信号包括答案正确性、输出格式合规性和工具调用是否成功。

HybridRL训练阶段负责教会模型何时静默思考、何时落笔输出。

README建议HybridRL使用32块GPU进行训练。

HybridAgent 采用两阶段后训练流程：HybridSFT（混合监督微调）和 HybridRL（混合强化学习）。

HybridRL 通过强化学习使模型学习模式切换策略，奖励信号通常来自任务完成质量与效率指标的组合，使模型在准确率和成本之间寻找平衡。