「人类反馈强化学习」共找到 1976 篇相关文章
10步优化超越强化学习，仅需1条未标注数据！后训练强势破局
无监督的熵最小化（EM）方法仅需一条未标注数据和约10步优化，就能显著提升大模型在推理任务上的表现，甚至超越依赖大量数据和复杂奖励机制的强化学习（RL）。EM为大模型后训练提供了更高效简洁的新思路。
围观AI对赌直播之后，我见证了一场人类画师对AI的突围。
文章围绕AI对赌直播展开，讲述了画师自证、中间人角色等。回顾绘圈在AI到来前后的变化，指出AI加剧竞争与猜忌，介绍自然完善对赌规则的努力，强调人类画师应坚持创作实现突围。
Andrej Karpathy 辣评Veo 3：视频生成将直接优化人类的注意力，TikTok只是弟弟
Andrej Karpathy发文对Google的Veo 3视频生成模型发表见解，指出视频生成技术进步带来四个关键转变，认为视频将成AI与人类交流绝佳界面，也引发众人对其利弊的讨论。
媲美DeepSeek！腾讯开源新版混元模型：AI Agent强化，超30种智能体指令
腾讯开源混元大模型最新版本Hunyuan - A13B，为专家混合模型，有800亿参数，130亿激活。支持快慢思考模式，针对AI Agent强化，设计超30种智能体指令。测试成绩超DeepSeek - R1等，架构和训练有优化。
全球顶尖AI做物理，被人类按地摩擦？不懂推理大翻车，本科生碾压
港大等机构用3000道物理题测试顶尖大模型，如GPT - 4o、Claude 3.7 Sonnet等，结果模型准确率远低于人类专家。研究推出PHYX基准测试，揭示模型依赖知识、公式和模式匹配，缺乏真正物理理解。
只用图像也能思考，强化学习造就推理模型新范式！复杂场景规划能力Max
现有 MLLM 依赖文本处理视觉信息，会造成信息丢失。剑桥、伦敦大学学院、谷歌团队提出视觉规划范式，以强化学习框架 VPRL 提升模型规划能力，实验显示其性能优于文本规划。
快手Klear-Reasoner登顶8B模型榜首，GPPO算法双效强化稳定性与探索能力！
快手Klear团队推出Klear-Reasoner模型，基于Qwen3 - 8B - Base打造，在多基准测试达同规模SOTA。其核心GPPO算法能强化稳定性与探索能力，团队还对训练流程多环节深入分析，给出优化策略。
Meta宣布AI研究架构调整，成立TBD Lab，取消AGI Foundations团队，强化超级智能战略
Meta进行AI研究架构大重组，将业务分为研究、训练、产品和基础设施四个团队。成立TBD Lab探索新方向，如构建‘omni’模型；FAIR成创新引擎；解散AGI Foundations团队。旨在强化超级智能战略。
Grok 4意外提前曝光，xAI巨额融资700亿，马斯克宣布“重写人类知识库”
xAI的Grok 4提前泄露，团队跳过Grok 3.5直接推出。它被定位为旗舰模型，有强大性能。马斯克欲用其重写人类知识库，但引发争议。xAI融资100亿，建超算中心面临电力问题。
Anthropic让9个Claude Agent花5天做出比人类强4倍的对齐成果
Anthropic发表Automated Weak - to - Strong Researcher，用9个并行的Claude Opus Agent组成自动化研究团队，5天就把PGR从人类的0.23提升到0.97，成本约$18,000，证明AI自动化研究可行。