「带可验证奖励的强化学习」共找到 1551 篇相关文章
3A大作！阿里ROLL团队从基建->算法->机理，推动RL4LLM全栈协同优化
阿里巴巴ROLL团队联合高校推出「3A」协同优化框架，推动「强化学习用于大语言模型（RL4LLM）」迈向新范式。Async架构提升GPU利用率，AsyPPO降低计算资源消耗，Attention机制提升训练效率与可解释性。
无代码产品功能设计不要盲目追求AI自动化｜对话影刀AI Power
量子位智库对话影刀AI Power产品经理该汗，探讨AI自动化产品开发。影刀AI Power定位企业场景，具多功能，能提高业务效率。交流涉及场景适配、差异化路径、功能布局等问题，还分享付费转化等看法。
北航董雷霆等：数字工程与数字孪生在航空疲劳与结构完整性领域的研究进展与展望 | 航空学报CJA
疲劳与结构完整性贯穿飞机全生命周期，数字工程与数字孪生技术为其管理提供高效方案。文章梳理该技术研究进展、工程案例，涉及设计验证和使用维护两阶段，还对未来发展提出展望和建议。
小红书RecSys 2025最佳论文提名背后：破解视频时长预测难题
小红书推荐算法团队论文《Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network》在 RecSys 2025 获最佳论文提名。该文剖析视频时长预测难题，提出 EGMN 模型，线下线上验证效果佳。
北大彭一杰教授课题组提出RiskPO，用风险度量优化重塑大模型后训练
北大彭一杰教授课题组提出 RiskPO，解决大模型后训练陷入「均值陷阱」问题。它将风险规避理念融入优化目标，用「关注奖励分布左尾」替代「追求整体均值」，在多领域数据集上表现超越 GRPO 等。
n8n官方推出AI工作流生成器，用自然语言构建工作流
n8n官方推出AI Workflow Builder，可将文字提示转成可执行工作流，本周向n8n Cloud用户推送。该功能降低构建门槛，但易用性提升也带来新挑战，其是否沦为‘面向VC’功能待验证。
大模型训练新突破！Meta提出LSP：无数据也能实现能力飞升
Meta提出语言自我博弈（LSP）方法，利用自我博弈框架让模型自我改进，不依赖额外数据。LSP赋予模型挑战者和解题者身份，引入GRPO和KL散度正则化技术，解决了大模型训练的数据依赖难题。
把抖音的研发管理搬到车企，跑得动吗？
飞书项目在深圳新品发布会推出整车研发解决方案，首次明确‘平台化’定位并公开产品架构。其方案覆盖架构整合等四场景，还进行技术升级，如轻应用、Project 4K 计划等，已获车企实践验证。
华为发布如何利用RL训练强大的Deep Research Agent综述！
华为技术团队发布综述论文，首次系统性梳理利用强化学习（RL）训练强大的深度研究代理。论文指出传统SFT和DPO方法有局限，RL优势明显，还在数据构建、算法设计等方面给出进展与路线图。
基于离散扩散模型的高效音频修复方法
数字音频时代音频易损坏丢失，传统修复法处理长间隙不佳。本古里安大学研究人员提出基于离散扩散模型的音频修复法，经MusicNet数据集实验验证，该方法在各间隙长度上表现优异。