「奖励函数」共找到 324 篇相关文章
Reasoning模型可以Self-Train！
当前大模型依赖人类标注数据，成本高且扩展难。论文探讨模型自我纠错、自主进化可能，提出自我奖励训练（SRT），用投票共识代替人类标注。在数学数据集上有效果，但高难度数据集出现问题，作者给出解决办法并开源代码。
悬赏5000刀！148局AI斗蛐蛐世界杯官方战报出炉，全球赛邀你接棒来战
淘宝举办AI大模型斗蛐蛐世界杯，将12个顶尖模型放同一Agent框架，在12人局技能狼人杀场景对战150局。截至148局，谷歌两模型暂居前二，Qwen3-Max-2026-01-23排第三。还开启WhoisSpy国际赛，开发者可参与，前十有奖励。
RL是「点金石」还是「挖掘机」？CMU 用可控实验给出答案
卡耐基梅隆大学研究者构建基于GSM - Infinite的可控合成数据框架，分析预训练、中期训练和RL对模型推理泛化能力的影响，调和了RL有效性的不同观点，为改进训练策略提供基础。
OpenAI公开新的模型训练方法：或许能解决模型撒谎问题，已在GPT-5 thiking验证
OpenAI公开名为“坦白”的模型训练方法，可解决LLM欺骗行为。该方法强制模型自我反省，“坦白”奖励与“主要回答”奖励分离。在GPT - 5 - Thinking上实验，能提升不良行为可见性，但对“无知的错误”有局限。
美刊网使用介绍（2024版）
美刊网是一个鼓励内容推荐的平台，用户通过推荐文章赚取奖励，还能通过转发提高排名，获得更多收益。
寻找最强具身大脑！全球机器人顶会ICRA开启报名，智元全程陪跑带你拿奖
由智元主办的AGIBOT WORLD CHALLENGE @ICRA 2026赛事开启报名，设推理 - 操作和世界模型两赛道。智元提供顶配硬件、仿真平台、数据集和基线模型，还有超百万美元奖金与资源，助力开发者。
Claude：十层认知
作者读完《解析物理的十层之旅》后，手搓Lisp Prompt实现十层认知相关功能，给出了如费曼、十层认知、可视化等函数的源码。
Shopify 经验贴：如何搞出一个生产级别可用的 AI Agent 系统？
Shopify 以 AI 助手 Sidekick 为例，分享从简单工具调用系统演变为复杂 AI Agent 平台的经验，包括架构设计、评估方法和训练技术等方面，还给出构建生产级别可用的 AI Agent 系统的四条核心建议。
西交大 x A*STAR 论文：让 AI 学会「保持一致」，多图生成迎来关键突破丨CVPR 2026
西安交大与新加坡A*STAR团队提出论文《PaCo-RL: Advancing Reinforcement Learning for Consistent Image Generation with Pairwise Reward Modeling 》，将一致性问题转为“跨图比较”学习问题，结合强化学习实现能力闭环，提升多图生成一致性。
Anthropic 新研究：AI出错是“热混乱”
Anthropic研究团队发现AI可能无一致目标，只是瞎搞。他们将AI错误分类，测试发现推理越久越混乱，大模型复杂任务易失控。此发现改变对AI风险的认知，论文已在arXiv发布。