「结果导向强化学习」共找到 1203 篇相关文章
大型语言模型稳定强化学习的新路径：几何平均策略优化GMPO
本文介绍了大型语言模型稳定强化学习新路径——几何平均策略优化GMPO。它是GRPO稳定化版本，通过优化几何平均替代算术平均，解决GRPO训练不稳定问题，在多任务实验中显著优于GRPO。
Agentic-KGR：通过多智能体强化学习实现知识图谱的协同演化
文章指出静态知识库有覆盖缺失、时效滞后、建用分离问题。介绍 Agentic - KGR 创新点，如动态 schema 扩展等。实验显示其在图谱抽取和下游 QA 任务有提升，还呈现训练动态和图谱质量可视化结果。
dLLM的「Free Lunch」！浙大&蚂蚁利用中间结果显著提升扩散语言模型
近年来，扩散大语言模型（dLLM）成为文本生成新势力，生成效率高。但现有解码策略忽视中间迭代信息，研究团队观察到「先对后错」现象，提出 TCV 和 TCR 方法，显著提升模型在推理任务表现。
企业级Agent落地有了样板间！百融硅基员工批量上岗，“按结果”领工资
百融智能中报显示，受外部因素影响公司总收入波动，但AICC业务同比增长52%。其已在金融场景打磨能力并向多行业复制，采用RaaS按结果收费模式，还提出“技术重构型AI Roll - up”概念。
世界模型+强化学习=具身智能性能翻倍！清华&加州伯克利最新开源
具身智能发展中样本效率成瓶颈，传统无模型强化学习依赖盲目试错。清华与加州伯克利团队提出BOOM框架，通过自举循环机制解决在线规划与策略学习矛盾，实验表现卓越，为具身智能落地提供支撑。
SFT在帮倒忙？新研究：直接进行强化学习，模型多模态推理上限更高
学界常用「监督微调（SFT）+ 强化学习（RL）」训练大模型。但新研究发现，SFT 会引发「伪推理路径」，阻碍推理进步。相比之下，直接进行 RL 训练，模型多模态推理上限更高，该团队训练的模型还刷新了纪录。
强化学习之父Richard Sutton：人类数据耗尽，AI正在进入“经验时代”！
强化学习之父Richard Sutton在演讲中指出，人类数据耗尽，AI正进入“经验时代”，真正的AI要从与世界互动的“经验”中获取数据。他还认为创造超级智能体是好事，人类和AI繁荣应基于“去中心化合作”。
RL缩放王炸！DeepSWE开源AI Agent登顶榜首，训练方法、权重大公开
今天凌晨，Together.ai联合Agentica开源AI Agent框架DeepSWE，基于Qwen3 - 32B模型用强化学习训练。所有内容开源，测试中性能超所有开源Agent框架，证明强化学习训练潜力。
西工大张伟伟等：强化学习如何练就近距空战制胜法则？| 航空学报CJA
本文针对空战智能化需求，构建高保真近距对抗仿真平台，提出优化自博弈强化学习架构。该智能决策系统与成熟飞行员近距格斗胜率超75%，为智能空战发展提供技术支撑。
量化投资和金融科技的开源利器来了！
金融强化学习 (FinRL®) 是首个面向金融强化学习的开源框架，已发展成生态系统，有三层结构。其特点包括支持多算法、多市场环境模拟等，有完整流水线，还支持多数据源。