搜索：带可验证奖励的强化学习

「带可验证奖励的强化学习」共找到 1626 篇相关文章

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。

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。

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。

近年来稠密向量检索广泛应用，社区认为embedding能‘包打一切’，但谷歌DeepMind从理论与实验指出其存在根本局限。相关实验代码和数据已开源，还给出替代方案。

新加坡国立大学邵林团队提出MetaFold框架用于机器人衣物折叠。它创新分层架构，解耦任务规划与动作预测。构建开源数据集，经实验在多指标超现有方法，还验证了从仿真到现实的迁移能力。

2025年8月26日上海AI实验室开源发布书生·万象InternVL3.5，通过创新技术实现推理、部署和通用能力全面升级。它有多种尺寸模型，多项性能领先，还加强了智能体核心能力，应用场景广泛。

东山精密在今年6月收购光模块企业索尔思光电后股价暴涨、市值破千亿，近日又宣布子公司投资不超10亿美元建高端PCB项目。两项投资额超百亿，但索尔思光电有研发迟缓、毛利率低等问题，东山精密高端PCB技术也不足。

文章介绍新研究3D - R1，它是更通用、具推理能力的三维视觉语言模型，解决了当前3D VLM空间理解不足与推理能力薄弱问题，在多任务测试领先，有广阔应用前景。

荷兰科学家在《PLOS Biology》发文，称用DdCBE成功纠正线粒体DNA突变。研究在原代成人细胞中验证其能恢复线粒体功能，还探索了modRNA和LNPs递送系统，虽距临床尚有数年，但意义重大。