「RL环境」共找到 738 篇相关文章
又走一个！OpenAI研究VP离职，转投Anthropic做RL研究员
OpenAI研究副总裁Max Schwarzer宣布离职，转投Anthropic做RL研究员。他曾主导o1、o3和GPT - 5系列post - training，因渴望回归一线研究而离开。OpenAI近年人才流失严重，而Anthropic虽面临与五角大楼交锋危机，但仍吸引人才。
SFT+RL双管齐下：ReasonGen-R1如何破解文生图「指令不遵」难题？
上海科技大学等机构提出 ReasonGen-R1 框架，结合链式推理监督微调与强化学习，提升自回归图像生成模型推理和创作能力，已全面开源。介绍了其训练阶段、实验结果及推理链模式。
从“会用”到“驾驭”：AI Coding 进入生产环境的真实碰撞
InfoQ《极客有约》X AICon 直播栏目，邀网易游戏林香鑫等探讨 Coding Agent 重构软件工程环节。嘉宾分享了 AI Coding 在生产环境的变化、MCP 等概念作用、代码质量保障、Agent 权限及 AI 原生研发体系建设等观点。
极简RL新范式：一半算力刷新1.5B模型推理SOTA
过去为提升中小参数量模型推理能力，开发者构建复杂RL流水线。JustRL论文提出极简、单阶段、固定超参训练方案，在两主流1.5B模型上刷新SOTA，节省2倍算力，消融实验还揭示部分技巧会致性能退化。
OPPO新AI操作系统，走出屏幕“指哪答哪”，嘈杂环境只听你声音
OPPO新一代AIOS ColorOS 16来了，“一键闪记”和“一键问屏”功能有新玩法。“一键闪记”能记取餐码等，还会“记忆共生”；“一键问屏”走出屏幕，嘈杂环境也能只听你声音。此外，OPPO宣布全新AI技术架构。
首次结合RL与SFT各自优势，动态引导模型实现推理⾼效训练
新一代大型推理模型在复杂推理有进展，核心是ZERO - RL训练法。华为香港研究所小艺团队等合作推出GHPO算法框架，融合在线强化学习与模仿学习，解决了RLVR方法局限，提升模型训练效果，代码数据开源。
RL训练总崩溃？R1-Reward稳定解锁奖励模型Long-Cot推理能力
多模态奖励模型对提升多模态大语言模型表现至关重要，但强化学习在奖励建模应用有挑战。快手等团队提出R1 - Reward，解决训练不稳定等问题，在基准上超SOTA模型，还在快手业务场景成功应用。
突破后训练瓶颈？Meta超级智能实验室又一力作：CaT解决RL监督难题
AI后训练依赖监督微调或程序化检查器，但很多有价值任务缺这两种资源。Meta超级智能实验室等机构研究者提出CaT方法，把推理时额外计算当教师信号，为大模型提供监督，实验显示效果显著。
罕见！Meta、OpenAI、xAI联合分享了用生产环境提升LLM的最佳实践！
Meta、OpenAI、xAI联合发表成果CharacterFlywheel，聚焦在生产环境提升社交型AI对话能力。团队基于LLaMA 3.1迭代15个版本，7/8的A/B测试显示正向提升，介绍了架构、数据管道、奖励模型等内容。
腾讯AI Lab首创RL框架Parallel-R1，教大模型学会「并行思维」
腾讯AI Lab等机构研究者首创Parallel - R1框架，通过强化学习让大模型掌握并行思维。它解决了RL训练的冷启动和奖励设计难题，在多数学基准上提升准确率，还揭示模型思维策略变化及并行思维的‘脚手架’作用。