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

从最优传输角度训练奖励模型：让 RLHF 学会「忽略错误偏好」丨ICML 2026

浙江大学、小红书、北京大学等团队提出SelectiveRM，基于最优传输训练奖励模型。它重构训练目标，通过选择性分布对齐排除噪声偏好，解决了奖励模型训练中监督信号不可靠的问题，实验验证其有效且泛化能力好。

文章围绕Hermes - Agent展开，指出多数Agent缺乏自学习能力，而它试图跨越这一鸿沟，能自动“写手册”（Skill）。介绍其架构、安装配置，通过代码审计任务演示自学习过程，并解析Skill机制，为生产级Agent提供新思路。

MiroMind团队发布新一代模型MiroThinker-1.7和MiroThinker-H1，定位为重型推理智能体。其研究能力强、推理可靠，还能生成网页报告。新版本升级显著，靠两项关键技术实现有效交互，且预测案例表现出色。

腾讯QQ机器人接入OpenClaw，文章给出创建QQBot接入OpenClaw的步骤，介绍QQBot插件的安装、升级方式，还阐述其消息收发能力、技能配置方法，最后解答常见问题并提供交流反馈途径。

澳洲AI大牛Paul Conyngham无生物学背景，用ChatGPT+AlphaFold为患癌爱犬设计全球首支定制mRNA疫苗，数周肿瘤缩小50%，引发全网关注，OpenAI总裁等盛赞，或推动人类癌症治疗。

3月10日，长电科技汽车电子（上海）有限公司启用投产，这是临港新片区集成电路与智能汽车产业融合成果。该公司围绕车规核心应用构建制造能力，还兼顾机器人芯片封测，引入智能与AI技术提升效率。

Anthropic的Claude Code新增代码评审功能，挑战500亿美元的传统代码审计行业。新工具成本低，能自动化评审，减少误报，准确率超多数人类评审员，或引发行业大洗牌。

著名计算机科学家高德纳在论文中表达对AI强大能力的震惊，其朋友借助Claude Opus 4.6解决了他研究几周的开放性问题。Claude经31步探索给出Python构造程序，奇数情况获证明，偶数仍待解。AI在数学领域已取得多方面突破。

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。

极客公园与 Elys 创始人 Tristan 深度对话，分享 10 个产品洞察。他认为 context 价值大，做新 AI 产品要找好形态，记忆系统本质是推荐系统，还阐述了对 AI 社交等看法，目标是创造低熵社交网络。