「上下文强化学习」共找到 2077 篇相关文章
GLM-4.7-Flash无审查版发布：30B MoE模型，仅3B激活参数
GLM-4.7-Flash无审查版由HauhauCS发布，基于原版移除审查机制。采用30B - A3B混合专家架构，总参数量31B，每次前向传播仅激活约3B参数，推理快，支持200K上下文长度，有两种变体和四种量化版本。
估值7亿美元！OpenAI前高管杀进工厂，要给流水线装上AI大脑
2024年硅谷经历OpenAI高管离职潮，前首席研究官Bob McGrew联合创办Arda，将AI带入制造业工厂。Arda以7亿美元估值融资7000万，开发视频模型让机器人自主学习，统筹生产线的人与机器。不过，制造业引入AI面临挑战。
接入 MiniMax M2.7 后，我的 OpenClaw「超进化」了
作者实测 MiniMax 新模型 M2.7，其在基准测试、代码能力、多智能体协作等方面表现出色。接入 OpenClaw 后，能高效完成复杂任务。M2.7 指令遵循率高、长上下文处理能力强且价格低，有望提升 Agent 生态表现。
人形机器人设计正在向仿真器低头！40年机器人从业老兵发出警告
人形机器人行业现怪象，为让仿真系统和强化学习更顺，一些有机械优势的结构因‘仿真麻烦’被排除。40多年经验的Scott Walter质疑设计变得‘S.T.U.P.P.I.D.’，指出仿真应服务设计而非主宰。
大厂CIO独家分享：AI如何重塑开发者未来十年
阿里云智能集团副总裁、CIO蒋林泉分享AI时代开发者发展。他指出不能用旧有标准评判价值，探讨技术贡献衡量、全栈工程师、提效顺序等问题，强调AI可助力学习和角色创新，还提及招人看重的能力和心性。
Meta｜提出RECAP，通过动态目标重加权回放，解决RLVR遗忘【文末送书！Agent相关】
近年来，可验证奖励强化学习（RLVR）提升了大模型在多任务上的性能，但带来“能力退化”问题。Meta等提出RECAP策略，结合“回放”与“动态目标重加权”，保持模型通用能力，提升推理性能，还提高推理效率。
让机器人「不仅会想，还能准确去做」，VLA-R1把「推理+行动」带进真实世界
VLA-R1是“先推理、后执行”的VLA基础模型，结合链式思维监督与强化学习，优化推理和执行。它有两阶段训练、三类可验证奖励等创新点，经多层面测试效果好，在多领域有应用前景。
Mira Murati 创业公司首发长文，尝试解决 LLM 推理的不确定性难题
OpenAI前CTO Mira Murati创立的Thinking Machines Lab首发文章《克服LLM推理中的不确定性》，指出大语言模型推理难获可复现结果，深入探究其不确定性根源，提出使核函数具备批次不变性的方法并给出实现与实验。
DeepSeek的GRPO会导致模型崩溃？看下Qwen3新范式GSPO
文章围绕大语言模型后训练阶段的强化学习算法展开。介绍了OpenAI的RLHF、DeepSeek的GRPO，重点指出Qwen团队发现GRPO有稳定性问题，会致模型崩溃，进而提出新算法GSPO，实验显示其效率和可扩展性更佳。
独家 | 腾讯X Lab 韩磊即将离职，将加入诺亦腾科技
AI 科技评论独家获悉，腾讯具身智能技术中心副总经理韩磊 7 月底离职，将加入诺亦腾科技。韩磊在多智能体强化学习成果多，其参与研究登上《Nature Machine Intelligence》2024 封面，加入诺因该司有大量动捕数据。