2026 年的 RL 环境平台格局

I’m happy to help translate the article, but I’ll need the full text you’d like translated. Could you please paste the content (excluding the source link you’ve already provided) here? Once I have the article text, I’ll translate it into Simplified Chinese while preserving the original formatting, markdown, and technical terms.

为什么 RL 环境平台正在兴起

OpenAI、Anthropic 和 Meta 并不会直接购买现成的 RL 环境——它们在内部自行构建。TechCrunch 的调查报道指出，Anthropic 计划在未来一年内在 RL 环境上投入超过 10 亿美元。OpenAI 的 ChatGPT Agent 训练依赖于 “UI Gyms”，即基于浏览器的环境，能够大规模模拟真实软件。SemiAnalysis 备注称，各大实验室采用不同的采购策略，Mercor、Surge 和 Handshake 等公司充当主要的环境和数据供应商。

市场发展迅速。Mercor 作为前五大 AI 实验室使用的最大 AI 训练数据平台之一，于 2026 年 2 月收购了 Sepal AI，以加强其 RL 环境能力，瞄准人类数据、RL 环境与专项研究的交叉点。TechCrunch 强调了 Mercor 在面向编码、医疗和法律等领域的特定领域 RL 环境上的新重点。

对于顶尖实验室之外的所有人来说，从头开始构建自己的环境基础设施几乎肯定是错误的选择。工程成本高，维护持续，而你的核心竞争力更可能是智能体本身，而非环境。下面列出的平台旨在填补这一空白。

Platform landscape (2026)

Surge AI – Enterprise RL environments, human‑expert data pipelines

• 与 OpenAI、Anthropic、Meta 和 Google 合作。
• 旗舰套件 CoreCraft：一个拥有 2,500 多个实体和 23 种工具的大规模企业仿真，旨在测试真实世界的代理能力。
• 研究表明 GPT‑5 和 Claude 在真实 RL 环境中超过 40 % 的代理任务失败。
• Trade‑off: 企业级定价；不适合规模较小的团队。

Rise Data Labs – Browser agents, human data pipelines, RL environment curation

• 构建以人类数据和 AI 训练管道为重点的 RL 训练环境。
• 维护一个跨生态系统的供应商目录，既提供平台也提供导航更广阔格局的资源。
• 适合那些规模不及 Surge 但仍需高质量任务数据的团队。

Mercor – Domain‑specific RL environments, expert data at scale

• 最近收购 Sepal AI，以强化特定领域能力（编码、医疗、法律）。
• 被前五大 AI 实验室使用，利用强大的人类专家网络进行环境和奖励设计。
• 持续扩展其环境产品套件。

Prime Intellect – Research teams, custom environment infrastructure

• 友好开源且高度灵活；支持 Environments Hub，可自行导入环境。
• 在分布式计算方面表现出色。
• Trade‑off: 入门复杂；文档假设已有相关知识，更适合有经验的团队。

Mechanize – Coding and software agent tasks

• 专为代码相关 RL 任务而构建。
• “复制训练”方法：代理根据规格重新实现代码，为代码任务提供强奖励信号。
• 不适用于浏览器代理，但在代码执行、仓库导航或终端交互方面价值突出。

HUD – General RL, end‑to‑end lifecycle

• 更完整的通用平台，一站式覆盖环境创作、评估和可观测性。
• 适合偏好集成工具套件而非拼接多个独立解决方案的团队。
• 在浏览器特定任务上的性能落后于专门方案，但能满足通用 RL 工作流的全部需求。

评估考虑因素

• 将平台与任务类型匹配。 以编码为主的平台无法满足浏览器代理的需求，反之亦然。专用平台在其细分领域表现出色，但在其他领域表现不佳。
• 人类数据整合很重要。 那些将真实人类反馈纳入奖励信号（而不是仅依赖合成信号）的平台，通常会产生更具泛化能力的代理。
• 训练与评估要分离。 如果在同一环境中进行训练和评估，容易测量记忆而非真正的泛化能力。建议尽早建立这种分离。

如果你使用过这些平台——或我未提及的其他平台——我真诚地希望在评论中听到你的经验！