标签：强化学习
LLM已能自我更新权重，自适应、知识整合能力大幅提升，AI醒了？
近期，关于AI自我演进的研究和讨论逐渐增多，多个机构提出了不同的自我改进框架。例如，Sakana AI与不列颠哥伦比亚大学合作的「达尔文-哥德尔机（DGM）」、CM...
灵初智能陈源培：一个 00 后的机器人之梦
陈源培，灵初智能的联合创始人，作为00后技术创业者，凭借在具身智能领域的突出贡献，入选了福布斯“30 Under 30 – Asia – AI (2025)”榜单。尽管本科专业是土...
「Next-Token」范式改变！刚刚，强化学习预训练来了
在人工智能领域，强化学习（RL）长期以来被视为提升模型能力的辅助工具，而非核心方法。然而，近年来，强化学习在提升大语言模型（LLMs）能力方面的作用逐渐...
新“SOTA”推理模型避战Qwen和R1？欧版OpenAI被喷麻了
Mistral AI发布了其首款推理模型Magistral，该模型旨在提升多语言推理能力和可解释性。Magistral分为两个版本：Magistral Small，一个24B参数的开源权重版本...
为什么用错奖励，模型也能提分？新研究：模型学的不是新知识，是思维
语言模型对强化学习中的奖励噪音表现出显著的鲁棒性，即使奖励信号被部分翻转，模型在下游任务中的表现也不会显著下降。研究者发现，强化学习对下游任务的提...
图灵巨擘RL教父齐聚，机器人秀拳脚嗨翻全场！「悟界」首发引爆物理AGI
智源大会作为AI领域的顶级盛会，汇聚了全球顶尖学者和科技巨头，围绕AI前沿技术与未来发展展开深度探讨。图灵奖得主Yoshua Bengio指出，AI规划能力正以每七个...
RL后训练步入超节点时代！华为黑科技榨干算力，一张卡干俩活
在大模型竞赛日益激烈的背景下，强化学习后训练（RL后训练）已成为突破大语言模型（LLM）性能瓶颈的关键路径。OpenAI o1、DeepSeek-R1等模型的成功，均得益于...
真实联网搜索Agent，7B媲美满血R1，华为盘古DeepDiver给出开域信息获取新解法
华为诺亚方舟实验室提出的Pangu DeepDiver模型通过Search Intensity Scaling（SIS）技术，实现了大型语言模型（LLM）与搜索引擎的自主交互，显著提升了7B参数...
首次解释LLM如何推理反思！西北大学谷歌新框架：引入贝叶斯自适应强化学习，数学推理全面提升
西北大学与Google、谷歌DeepMind团队提出了一种新的强化学习方法——贝叶斯自适应强化学习（BARL），旨在解决传统强化学习（RL）在反思探索方面的局限性。传统R...
SFT在帮倒忙？新研究：直接进行强化学习，模型多模态推理上限更高
随着OpenAI的o1/o3和Deepseek-R1等具备强大推理能力的大语言模型相继问世，学界普遍采用「监督微调 + 强化学习」的两阶段训练范式。这种范式在纯文本领域取得...
