「带可验证奖励的强化学习」共找到 1552 篇相关文章
OneSearch，揭开快手电商搜索「一步到位」的秘技
本文介绍快手提出的电商搜索端到端生成式框架 OneSearch。它有三大创新，包括 KHQE 模块、用户行为序列注入策略、偏好感知奖励系统。实验显示它在多方面提升显著，已部署于快手电商搜索场景。
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。
5Y News｜赜灵生物完成近4亿元B+轮融资
近日，赜灵生物宣布完成近4亿元B+轮融资，由启明创投领投。资金用于推进创新药临床研究和拓展新管线，强化三大核心技术平台。公司已有核心产品进入关键临床阶段，创始人称2025年将加速海外布局。
2025 年 AI 编程趋势：智能体 10 倍生产率放大下的“粪围”蔓延
文章指出 2025 年是体系化跃迁起点，AI 编程工具不断升级。AI 代理能力超代码补全，编程从‘代码直生’转向‘计划先行’，自动验证增强，还有异步化、团队协作等趋势。但 AI 重构有问题，还会放大技术债。
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。
Loss收敛不代表学会：腾讯混元ACL 2026拆解SFT训练中15.3%的“假学会”样本
大模型微调（SFT）是主流LLM落地方案，但大家默认训练完就是学完了。腾讯混元团队发现SFT存在不完全学习现象（ILP），论文完成了定义ILP、找根因、提诊断框架和验证干预等工作。
ACL 2026｜打破推理同质化！阿里达摩院新作让RLVR从重复采样走向有效探索
阿里达摩院智能决策团队提出面向RLVR后训练的探索增强框架I²B-LPO，改进rollout策略，在关键节点生成更具区分度的推理轨迹，结合信息瓶颈自奖励机制，在多个数学基准上提升准确率与语义多样性。
龙虾史上最大升级！但接了微信的千万别更
时隔九天，虾父Peter带来龙虾全新版本2026.3.22-beta.1，堪称有史以来最大更新。更新亮点包括插件升级、模型更新、交互优化、安全强化等，也修复了多个关键安全漏洞，但部分用户更新后遇到微信、WhatsApp使用问题。
清华开源教育龙虾，沉浸式互动课堂，运行成本仅为传统的千分之一
清华大学团队将校内验证两年的AI课堂系统OpenMAIC开源。它能把主题或文档转化为互动课堂，运行成本仅为传统MOOC的千分之一。有多种组件，多智能体协作，还支持多种大模型，已获学生积极反馈。
推荐系统进入「双动力」时代！首篇LLM-RL协同推荐综述深度解析
强化学习是推荐系统主流建模范式，但传统 RL 推荐系统有诸多瓶颈。大语言模型崛起带来新机遇，LLM 与 RL 结合开启新范式。研究团队发布首篇相关综述，提出五大协同范式，总结评估体系，分析挑战与方向。