「奖励学习」共找到 1500 篇相关文章
我潜伏进了"年入百万"的AI自习室，发现了一些灰色的秘密。
作者潜伏进AI自习室，发现其生意火热。AI学习机功能普通，价格却高，主要卖点是内置课程。AI督学职责是托管和销售。AI自习室盈利宣传有水分，实则钻政策空子赚教育焦虑的钱。
科普向：一文解构大模型后训练，GRPO和它的继任者们的前世今生
文章深入解读大模型后训练，先对比 PPO 与 GRPO，指出 GRPO 优势及成本问题。又介绍 GRPO 后续改进算法，如 DAPO 解决训练问题、GSPO 提升训练稳定性、GFPO 可优化多属性，还提及 GRPO 其他缺陷。
“都什么年代了程序员还在手搓代码，连小白都能写 Prompt 生成代码了”
现在很多人标榜用 AI 写代码高效，贬低手搓代码。作者认为两者都是写代码的手段，不是目的，不能对立。并从多方面分析适合 AI 或手搓代码的场景，强调二者搭配使用能事半功倍。
以示范应用推动技术迭代｜“幻镜”AI视听测评季正式开启！
8月19日，“幻镜”AI视听测评季在首创·郎园Station启动，由多方指导与主办。它采取“AI作品创作征集+技术测评”结合模式，首季征集“我AI北京”主题作品，将促进视听技术迭代。
6K星 Qwen围绕Web AI，打造Agent Search新生态
自Manus带火深度研究代理后，新兴方向面临多模态代理推理能力不足等问题。千问2025年推出系列工具完成web智能搜索生态闭合，本文分享WebWatcher训练及解决问题的方法。
告别数据「噪音」，UCSD大模型推理新方法DreamPRM充当「信号放大器」，登顶MathVista测评榜
DreamPRM由加州大学圣地亚哥分校团队开发，在MathVista测评榜夺冠。它通过双层优化框架解决多模态过程奖励模型训练难题，能与多模态大模型集成，提升推理能力，实验效果显著。
机器人顶会RSS 2025奖项公布！大牛Pieter Abbeel领衔研究获杰出Demo奖
机器人顶会 RSS 2025 于 6 月 21 - 25 日在美国洛杉矶举行，公布多个奖项。如杰出 Demo 奖论文提出 MuJoCo Playground 开源机器人学习框架，简化全流程，可分钟级训练策略。
微软分享三大王炸算法：突破大模型推理瓶颈，性能大涨
今天凌晨微软官网分享三大创新算法，即rStar - Math、LIPS、CPL，可助大模型突破推理瓶颈，增强数学推理和思考链能力，还介绍了各算法原理、优势及对应论文地址。
AI进化三年，产业落地真拐点可能就在这场全球顶尖金融智能赛事里
AI发展三年走到关键转向点，应用价值成关键。金融行业是AI应用复杂领域，AFAC2025金融智能创新大赛聚焦解决产业真问题，设百万奖金池，开放多赛道赛题，已开启报名。
公开模型一切，优于DeepSeek-R1，英伟达开源Llama-Nemotron家族
英伟达推出面向高效推理的 Llama-Nemotron 系列模型，包括 Nano、Super、Ultra 等规模，具备卓越推理能力与效率，采用开放许可。模型支持动态推理切换，训练结合多方法，性能优于 DeepSeek-R1 等。