算法论文8

斯坦福英伟达：测试时强化学习让开源模型逆袭

量子位2026-01-27

AI 摘要

斯坦福、英伟达等研究提出TTT - Discover方法，在测试时用强化学习更新开源模型权重。通过熵目标函数和PUCT机制解决数据问题，成本低且表现佳，不过目前仅适用于连续奖励场景。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

小众模型如何冲上Hugging Face热榜

本文拆解了网易有道新开源的真流式语音识别模型R2T2，从冷启动到登顶Hugging Face ASR热榜第一的完整路径，总结了小众开源模型冲榜的实操经验，对开源项目运营有较高参考价值。

本文结合EchoRL、ReflectRL两项最新研究，重新解读推理轨迹的训练价值，解决全答对无强化信号、错题全丢弃的训练痛点，梳理方法设计、实验结果与适用边界，为大模型推理训练提供新参考。

本文解读Together AI的新算法论文，讲解大模型强化学习中，采样端与训练端的微小偏差如何累积放大导致训练跑偏，介绍Score Centering校正方法的原理、效果与应用边界。

本文报道小米开启史无前例的大模型训练直播，6天花费约2344万元完成MiMo-V2.6系列强化学习训练，训练出的MiMo-V2.6-Pro登顶开源大模型第一，全套技术资源全部开源，引发AI行业热议。