搜索：时间衰减奖励

「时间衰减奖励」共找到 619 篇相关文章

从一行代码发现DeepSeek的秘密：Model1到底是什么？

在DeepSeek - R1发布一周年时，有人在GitHub的FlashMLA代码仓库发现神秘代号Model1，可能是V4。文章分析了代码仓库用途、新模型“露馅”原因，还从代码中发现Model1细节，结合论文梳理时间线，最后也提出了怀疑。

本文以三维各向同性湍流为例，提出面向神经算子的可信度评估框架，考察预测误差不确定度、长时迭代稳定性及流场时间相关性对模型可靠性的影响。结果显示，物理约束和合理时间步长可提升模型稳定性与可靠性。

现有依赖强化学习与可验证奖励（RLVR）提升大语言模型（LLM）推理能力的方法，受限于领域特定验证器。本文提出RLPR框架，利用LLM生成正确答案的固有概率作奖励信号，实现无需外部验证器的通用领域强化学习，效果显著。

市场曾质疑AI资本开支高增长的持续性，如今随着头部模型公司ARR非线性爆发式增长，AI商业正向循环打通。在AI硬件产业链中，光互联是国内厂商全球参与度最高、份额最稳固的环节，正迎来最好时代。

宇树科技确定2025年10 - 12月提交IPO申报文件，今年已完成股份制改革、C轮融资等。公司连续五年盈利，营收破10亿。其产品频破圈，创始人王兴兴以电机直驱另辟蹊径，推动企业发展。

文章以AI能力为上涨的潮水、个人专业技能为柱子作比，指出AI先替代简单重复工作，再逐级挑战复杂工作。高精尖专家因专业技能高难，难见AI价值；创业者则受益于AI对琐碎事务的处理。

最新研究发现，AI的「创造力」并非额外能力，而是架构副作用。扩散模型本应是复制机器，却画出奇怪图像。研究者基于规则构建数学系统，证明了这一观点，还推测人类灵感或许同理。

Anthropic 发布 Claude Opus 4.7，核心升级是让 AI 跑长且复杂任务，还能自我验证结果。它视觉能力超强，编程能力提升，新增 /ultrareview 功能，API 多了调节档，不过 token 数量或增加，成本可能上浮。

中国科学技术大学等机构团队提出Flow - OPD，这是首个将OPD引入流匹配模型的统一多任务后训练框架。它解决了流匹配模型后训练对齐中多任务的梯度冲突等问题，效果良好，未来有多个拓展方向。

美国南加州大学和宾夕法尼亚大学团队提出新训练范式ERL，将「经验学习」引入强化学习，通过二次尝试和反思蒸馏，在复杂任务中性能显著提升，为构建长期自主智能体提供新思路。