「带可验证奖励的强化学习」共找到 1547 篇相关文章
语义分割别无脑用Argmax！港中文新算法：三行代码，推理速度提升10倍
香港中文大学提出全新算法框架RankSEG提升语义分割性能。传统方法用threshold或argmax生成掩码并非最优，RankSEG无需重训模型，加三行代码就能提高分割指标，还开源了工具包，其改进版RankSEG - RMA推理速度大幅提升。
创业7年干出一个全球第一，这家深圳芯片公司冲刺港股IPO
曦华科技冲刺港股IPO，其2024年scaler芯片出货量全球第二，ASIC架构scaler产品市场份额达55%排第一。不过，公司仍亏损，且面临激烈竞争。它靠产品创新和高研发投入提升估值，后续有应对竞争的规划。
1100多个模型殊途同归，指向一个「通用子空间」，柏拉图又赢一回？
约翰斯・霍普金斯大学研究发现，1100多个不同神经网络，即便训练条件不同，最终权重会收敛到共享低维子空间，表明架构比数据影响大。此发现能解释诸多现象，还有多种应用可能，但也有局限性。
直播预约 | 迈向用于演绎推理的诚实语言模型
本次讲座聚焦迈向用于演绎推理的诚实语言模型。当前语言模型难诚实推理，输入不足会产生无根据答案。为此制定多步骤任务，提出强化学习方法ACNCHOR，稳定学习过程、提高推理性能。
Yann LeCun离开Meta后首篇论文？使用了宇树机器人做研究
伯克利、纽约大学等团队发表论文，提出GenMimic方法，让机器人能零样本复现AI生成视频动作。Yann LeCun是共同导师之一。团队构建GenMimicBench数据集，经仿真和真实实验验证方法可行。
GRPO训练不再「自嗨」！快手可灵 x 中山大学推出「GRPO卫兵」，显著缓解视觉生成过优化
GRPO在视觉生成流模型后训练阶段有显著提升，但clip机制存在系统性偏差，易使模型陷入过度优化。中山大学、快手可灵等团队提出GRPO - Guard，能降低过度优化风险，在多种任务中表现良好。
Meta这两篇最新Agent Learning论文，有些意思！
分享Meta SuperLabs两篇Agent Learning论文，从‘如何低成本获得高质量经验’出发，形成技术链，为语言智能体进入‘规模化RL时代’提供路线图，还分析了Agent RL问题及两论文成果、对比。
赛力斯上市，可能是“脱离华为”的关键一步｜甲子光年
2025年11月5日，赛力斯在港交所挂牌上市，募资净额140.16亿港元。赛力斯上市旨在强化单独造车能力，70%募资用于研发。其魔方技术平台待完善，赛力斯居安思危，或为脱离华为做准备。
谷歌首次曝光太空AI计划：要建“AI版星链”，AGI的终极基础设施？
谷歌曝光Project Suncatcher计划，要构建太空AI计算集群。此设想是部署卫星星座建“太空数据中心”。虽面临诸多挑战，但从物理学和经济可行性看并非遥不可及，谷歌已发表相关预印本论文。
论文秒变PPT！西湖大学AGI Lab推出Auto-Slides，科研汇报难度骤降
西湖大学AGI Lab推出Auto - Slides，输入论文PDF可自动生成演示文稿，支持自然语言交互修改。它采用多智能体协作框架，经实验验证优势明显，有望用于学术会议等场景，助力知识传递。