「人类反馈强化学习」共找到 1976 篇相关文章
SAPO：让强化学习告别“硬剪切”
强化学习是提升大语言模型推理能力的核心技术之一，但现有基于组的策略优化方法面临 token 级重要性比率高方差问题。GRPO 和 GSPO 采用硬剪切有学习信号丢失等缺点。为此提出 SAPO，用平滑门控函数替代硬剪切，实验效果良好。
突发！OpenAI停止强化学习训练两周
OpenAI发文称暂停最新模型强化学习训练两周，加固研究环境、进行红队测试等。部分低风险训练已恢复，最大规模前沿模型训练仍暂停。此举源于Hugging Face安全事故及Astra模型潜在风险。
Done！硅谷分拣快递的人类工作，没了
美国具身领域明星企业Figure让搭载Helix 02大脑的Figure 03机器人进厂分拣快递，8小时不间断直播引超两百万网友围观。这源于一场网络battle，机器人操作速度接近人类，不过也会犯错。
哈佛《Science》研究：大模型已碾压人类医生！
哈佛医学院等团队让OpenAI o1系列大模型与数百位医生在多项测试中较量，大模型在各项诊断和管理推理任务上全面超越人类专家，不过当下模型处理非文本信号有局限。
历史性一刻！人类士兵首次向机器人军队投降
7月9日，乌军第三独立突击旅称在哈尔科夫地区，让俄军士兵在仅遇无人机和陆基自杀式平台时投降，这是人类士兵首次向机器人部队投降。此事件展现战争新转折，也暴露出国际人道法律的滞后。
阿里：RL强化LLM推理，是技巧还是陷阱？
近年来，强化学习（RL）成为解锁大型语言模型（LLM）复杂推理能力的关键工具，但该领域也面临技术选择困境。阿里联合多所高校的论文通过大规模可复现实验，揭示主流RL技巧的机制与适用场景，还发现极简组合（Lite PPO）性能超越复杂方案。
震撼！人类第一张在太空生成的图片曝光
人类首张太空生成图片曝光，共绩科技与星测未来两家清华系企业携手开启「天地同算」时代。前者解决算力调度难题，后者让太空有算力可用，未来太空或成分布式超级计算机。
一篇200+文献的视觉强化学习技术最新综述
NUS、浙江大学和香港中文大学对强化学习与视觉智能交叉领域进行系统梳理，归纳200余篇工作为四大主题支柱，剖析算法等进展，提炼关键趋势，还介绍LLM的RL方法、视觉RL阵地等。
ROLL：面向大规模语言模型的高效强化学习框架
本文介绍阿里推出的ROLL强化学习框架，专为LLM训练优化。它设计灵活，不同用户可用其满足业务、探索或线上指标需求。在多任务训练中性能出色，还采用创新机制提升效率，支持自定义操作，适合学术和业务场景。
2025临界点：AI智商超越人类，经济规则即将改写
AI平均智商超110，2025年将参与经济全链条操作。AI经济浮现，具备全天候自动运行、无劳动力供给限制、或成非稀缺经济等特点，还能降低交易成本、减少非理性决策，或带来人类第三次理性化浪潮。