算法论文8

快手&中科院：R1 - Reward 超 SOTA

AINLPer2025-05-12

AI 摘要

快手、中科院等团队：提出多模态奖励模型 R1 - Reward，用 StableReinforce 算法解决训练不稳定等问题，在基准上超 SOTA 模型 5% - 15%，还在业务场景应用，推理时扩展能力佳。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

港科大同腾讯开源3D构建框架超GPT - 5.5

香港科技大学（广州）联合腾讯AI平台部提出VibeWorlding，是可通过多轮对话等自主构建和编辑交互式3D世界的多模态智能体框架。团队开源多项数据，其模型经强化学习后表现超GPT - 5.5等。

香港科技大学（广州）和腾讯团队开源VibeWorlding框架，实现说句话造3D世界。它由VWE - Bench和VibeWorlding - Gym组成，开源模型经强化学习训练后成绩逆袭，证明强化学习解锁3D推理潜力巨大。

OpenAI发文称暂停最新模型强化学习训练两周，加固研究环境、进行红队测试等。部分低风险训练已恢复，最大规模前沿模型训练仍暂停。此举源于Hugging Face安全事故及Astra模型潜在风险。

OpenMOSS团队开源的World Critic Model（WCM），解决了视觉 - 语言 - 动作模型强化学习（VLA - RL）中批评家模型（Critic Model）仅依赖单帧观测打分的问题。WCM让Critic学习预测执行动作后的潜在状态，代码等全开源，验证效果显著。