「结果导向强化学习」共找到 1203 篇相关文章
碾压π0.5，复旦团队首创「世界模型+具身训练+强化学习」闭环框架
复旦团队针对当前 VLA 策略依赖模仿学习、真实机器人在线 RL 成本高、传统物理仿真器有局限等问题，提出 ProphRL 框架。该框架以世界模型 Prophet 为核心，结合 RL 算法，为具身智能落地提供更可行路径，实验效果显著。
十分钟出结果，陶哲轩用Gemini Deepthink帮人类数学家完成Erdős问题论证
Erdős问题网站专注数学研究与解答，收录厄尔德什提出的各类数学问题。11月20日，Wouter van Doorn提出反例，陶哲轩提交给Gemini 2.5 Deep Think，十分钟得到证明，他半小时转为基础证明。之后Boris Alexeev用Harmonic的Aristotle工具完成形式化。
OpenAI以为GPT-5搞出了数学大新闻，结果…哈萨比斯都觉得尴尬
OpenAI研究员宣称GPT - 5找到10个厄尔多斯数学难题解法，引发全网震动。但DeepMind CEO哈萨比斯指出是营销过度，GPT - 5只是搜到已有答案。OpenAI已删稿，此前GPT - 5有一定数学解题能力。
混合数学编程逻辑数据，一次性提升AI多领域强化学习能力 | 上海AI Lab
上海AI Lab的OpenDataLab团队通过大规模实验剖析RLVR在多领域推理机制。构建多领域评估框架与定制奖励策略，基于Qwen2.5 - 7B系列模型联合训练，有多项关键发现，为构建AI推理模型提供参考。
扩散语言模型真的会比自回归好？理论分析结果可能恰恰相反
北京大学和蚂蚁集团研究表明，扩散语言模型虽理论上有并行生成优势，但实践中在某些任务推理成本更高。研究通过实验对比，分析了扩散与自回归模型在不同评估指标下的效率，指出选择模型要视任务需求。
VinciCoder：多模态统一代码生成框架和视觉反馈强化学习，数据代码模型权重已开源
中科院与美团团队推出 VinciCoder，打破多模态代码生成中 SFT 范式瓶颈。它将奖励机制转向视觉域，通过两阶段策略统一多样化代码生成任务，在多基准测试中表现卓越，为领域研究提供新范式。
全新合成框架SOTA：强化学习当引擎，任务合成当燃料，蚂蚁港大联合出品
蚂蚁通用人工智能中心自然语言组联合香港大学自然语言组推出PromptCoT 2.0，押注任务合成。它让30B - A3B模型在数学代码推理任务达SOTA，全面升级效果、数据和方法，还将考虑多方向发展。
GPT-5“变笨”实锤，退休教授出了道井字棋送分题，结果它真送了
退休经济学教授用井字棋简单问题测试GPT - 5，其表现拉胯，与“博士级AI”宣传不符。后续操作离谱，或因OpenAI策略调整。此外，OpenAI在测ChatGPT新功能，奥特曼开始炒GPT - 6。
我给滴滴AI提了个建议，结果他们做得超出了我的想象
作者因母亲用打车软件费劲，基于地图MCP构想长辈出行模式。滴滴AI看到后联系作者，三个月后拿出成果，不仅实现作者设想，还完善专车场景、做到全场景覆盖，体验很棒。
训练时间减半，性能不降反升！腾讯混元开源图像生成高效强化方案MixGRPO
混元基础模型团队提出全新框架MixGRPO，结合SDE和ODE，简化MDP优化流程，提升效率与性能。还推出更快变体MixGRPO - Flash。MixGRPO训练时间降近50%，MixGRPO - Flash再降71%，效果和效率优于DanceGRPO。