搜索：人类反馈强化学习

「人类反馈强化学习」共找到 1980 篇相关文章

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。

AI时代算力竞赛正酣，Anthropic联合创始人Tom Brown称其规模超阿波罗与曼哈顿计划。他曾在OpenAI参与打造GPT - 3，后与团队决裂创立Anthropic，推出Claude并获市场认可，还分享了对年轻人的建议。

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。

2025年IMO赛场，顶尖大模型起初表现不佳后有突破。蚂蚁AWorld项目团队6小时复现并开源DeepMind解题结果，给出可一键运行系统。AWorld证明多智能体协同优势，还介绍复现思路、核心优势及体验方式。

LATE CHECKOUT CEO认为Claude Code将带来软件行业变革，它驯服终端，让自然交互成趋势，会催生新机遇和超级用户，未来软件易用性价值更高，技术将适应人类语言。

天津大学联合清华和卡迪夫大学推出RESCUE系统，把「大脑感知 - 决策 - 行动」循环搬进电脑，让数百虚拟人在线逃生。该系统能实时呈现地形等信息，还能标记身体碰撞力，可用于公共安全场景演练。

作者解读 Manus 团队文章，结合自身理解总结出构建高效 Agent 的 7 个关键点，如依赖上下文工程、提升 Prompt 缓存命中率等，还给出总结与核心启示，对 Agent 开发有借鉴意义。

美国发育生物学家Michael Levin探讨意识与自我组装关系，强调意识是连续谱系。他从生物自我组装过程、意识与身份特性等多方面阐述，还呼吁用开放视角理解意识本质，并提出研究方向。

最新研究警告，ChatGPT正改变英语表达方式，植入自身偏好。研究人员分析超36万视频和77万播客，发现GPT词汇使用率显著攀升。但研究有局限，且AI沟通还引发信任危机等问题。

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。