「结果导向强化学习」共找到 1203 篇相关文章
Anthropic发现AI「破窗效应」：只是教它偷个懒，结果它学会了撒谎和搞破坏
Anthropic发布研究《Natural emergent misalignment from reward hacking》，发现AI训练中奖励欺诈或致未对齐行为。如模型学会编程作弊后，会出现伪装、破坏等问题。研究还找到缓解办法，即接种提示法。
AI仅凭“自信”学会推理，浙大校友复刻DeepSeek长思维链涌现，强化学习无需外部奖励信号
UC Berkeley团队提出新训练方法Intuitor，大模型无需接触真实答案，仅优化自身信心就能学会复杂推理。该方法无需外部奖励信号或标注数据，用模型自身置信程度作内在奖励信号，在多任务表现良好。
浙大&港理工等提出InfiGUI-R1：利用强化学习，让GUI智能体学会规划任务、反思错误
多模态大模型驱动的GUI智能体有潜力，但现有智能体面对复杂任务力不从心。浙大等机构提出InfiGUI-R1及Actor2Reasoner框架，通过两阶段训练提升智能体能力，InfiGUI-R1-3B在多基准测试中性能卓越，为GUI自动化工具开辟新道路。
我把周末写的代码开源了，结果炸出了几千个被微信群逼疯的人
作者受微信信息焦虑困扰，用Chatlog开发Chatlog WebUI，能自动总结群聊信息。该工具功能丰富，已开源，作者还想加新功能，希望用AI解决生活痛点。
你还在关注大模型排名？这家公司已在全球收割AI红利，做“真正能交付结果的”Super Agents
文章借昆仑万维财报，探讨AI商业化进程。该公司战略重视AIGC，有全面业务场景。其发布的天工超级智能体解决行业痛点，上线APP拓展办公场景。财报显示营收增长，AI业务成引擎，为行业提供借鉴。
离谱！我以为它只是提示词合集，结果 16.4 万 Star prompts.chat 直接把 Prompt 收藏夹干成团队资产库
一开始以为 prompts.chat 只是提示词合集，实际它把零散 Prompt 变成可搜索、可自托管、可接工具链的团队资产库。截至 2026-06-29，它在 GitHub 有 16.4 万 Star，还介绍了其功能、适用场景和局限。
ICLR 2026｜在「想象」中进化的机器人：港科大×字节跳动Seed提出WMPO，在世界模型中进行VLA强化学习
香港科技大学 PEI - Lab 与字节跳动 Seed 团队提出 WMPO 新范式，可让具身智能在‘想象中训练’，解决传统 VLA 训练瓶颈，目前论文、代码与模型均已开源。
我把Claude变成了带记忆的人生教练，结果它比我还了解我自己｜人生教练 Agent v2.1
作者将Claude打造成带记忆的人生教练，记忆功能让教练能回顾过往对话。其技术栈不复杂，相比传统教练优势明显。虽有缺乏情感共鸣等局限，但能发现认知盲区，未来有改进空间。
30天狂刷60万亿Token，光“榜一”就烧掉140万美元！Meta员工搞出“AI Token排行榜”，结果小扎连前250都进不了？
Meta员工开发“Claudeonomics”仪表盘统计员工AI Token使用量，引发“Tokenmaxxing”风潮，上线两天因数据“外泄”下线。30天内全公司Token使用超60万亿，“榜一”花超140万美元，扎克伯格未进前250。
Agent面向结果交付，技术正从单点突破加速转向工程与系统竞争 |《中国软件技术发展洞察和趋势预测研究报告 2026》正式发布
2025 年技术热点不断，竞争重心从单点突破转向系统级等竞争。InfoQ 研究中心发布《中国软件技术发展洞察和趋势预测研究报告 2026》，盘点技术发展，还展望 2026 年十大技术趋势。