模型
OpenClaw-RL
reef代码库中的在线强化学习方案，专为线上服务流量设计，支持模型在真实对话中边服务边更新权重，使用从用户下一轮回复中提取的二元奖励信号
时间轴 (近 90 天)
10月14日
reef的OpenClaw-RL配方使用72道GSM8K题目作为任务流，Qwen3-4B同时充当策略模型和过程奖励模型，Qwen3-32B作为学生模型，使用七块GPU，并设有一个更新被接受前必须达到的阈值。
待验证50%
10月2日
weight recipes 循环包括 SAO、OpenClaw-RL、TTT-Discover、Guidance-TTT，需要 GPU 和完整的训练栈
待验证50%
10月2日
OpenClaw-RL 专门为线上流量设计，策略直接从对话本身被更新，奖励信号是从用户下一轮回复中读取的二元值
待验证50%