算法论文7

LLM+RL：虚假奖励提升模型效果？

深度学习自然语言处理2025-05-29

AI 摘要

编辑部：论文发现LLM+RL中随机或错误等虚假奖励能让Qwen模型性能提升，效果接近标准答案训练，原因是GRPO算法的剪切偏差，还提醒警惕Qwen中心化，建议用多样模型验证方法。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

DeepSeek高毛利，冲刺5000亿估值A股上市

据外媒报道，DeepSeek今年前七个月营收约4.75亿，较2025年全年增长近10倍，净亏损收窄，综合毛利率44.6%，API业务毛利率达82.9%。它正磋商500亿二轮融资，筹备明年沪上市，靠优化基建降本，低价策略吸客。

8月25日，Google Cloud发布Gemini Enterprise for Legal面向律所和企业法务团队开放预览。它想解决让模型进入律所现有工作系统，不打乱权限等规则的问题，通过MCP连接系统并继承权限，还组织各方合作。

华为诺亚方舟实验室发布 RoboHarness 系统，解决不同策略协作问题。它将独立控制系统封装成可调度技能，由 Coding Agent 决策，还设计辅助技能和 Memory Bridge 模块，促进策略协同，推动具身智能发展。

NovaSilicon发表论文探讨超级智能在芯片领域的运用。随着芯片复杂度提升，传统EDA方法遇瓶颈，论文提出将芯片设计超级智能建模为AI组织，利用LLM等技术，重塑芯片设计行业，实现产业链智能化升级。