「自我奖励」共找到 566 篇相关文章
千问AI Arena上线：给Agent一个真实的战场
8月12日，阿里千问AI平台上线‘千问AI Arena’，这是面向AI Agent的挑战与评测平台。它从真实业务产生任务，征集解决实际问题的Agent方案。首个任务聚焦跨境电商，有丰富奖励和评审机制。
让机器人「不仅会想，还能准确去做」，VLA-R1把「推理+行动」带进真实世界
VLA-R1是“先推理、后执行”的VLA基础模型，结合链式思维监督与强化学习，优化推理和执行。它有两阶段训练、三类可验证奖励等创新点，经多层面测试效果好，在多领域有应用前景。
硅谷知名投资人Jaya Gupta：AI公司真正的护城河，是组织本身
硅谷知名投资人Jaya Gupta认为，AI时代竞争从技术层坍缩到组织层，公司真正的护城河是底层的「机构」，人就是公司本身。伟大的公司为特定人才提供表达自我的结构，在身份认同等方面竞争。
AI邪修时刻！Meta联手MIT投毒，左脚踩右脚强行升天
Meta的SOAR架构用错误率高的数据让模型推理能力暴涨9.3%。它选难题子集，用‘教师模型’生成含错题的‘垫脚石问题’，通过‘双层博弈’和‘有根奖励’机制让模型进步，或成AI进化新方向。
Claude Skills，4000字详解 Anthropic 的思考
Anthropic推出新技能Claude Skills，作者认为它会引导第三方工具形态。Skills结合笔记式形态、可执行工具与AI调度自优化，具备低门槛、灵活表达等优势，还实现了AI自我进化，是一种新范式。
玻尔兹曼入住南京大模型产业集聚区
玻尔兹曼宣布入驻南京大模型产业集聚区。虽24年拿牌照后营收不及预期，上半年业务失利，但反思发现产品力尚可，只是运营推广欠佳，后经与投资人交流及自我思考，坚定业务发展信心。
「推理革命」爆发100天：DeepSeek-R1复现研究全揭秘！
本文深入梳理围绕DeepSeek-R1的复现研究，解析监督微调、强化学习等关键技术细节，介绍相关数据集、训练方法及奖励机制等，还探讨了推理语言模型更多发展方向，为研究提供基础。
嘘，Claude正在「做梦」！睡一觉疯狂进化，一夜暴涨6倍战力
Anthropic在Code with Claude开发者大会上，给Claude托管智能体添加Dreaming功能，让其能自动回顾记忆、自我进化，还发布Outcomes和多智能体编排。法律AI公司Harvey用后任务完成率飙升约6倍。Anthropic还租下22万张GPU算力。
OpenAI押注RSI，国产AI火速交卷！Flash叫板万亿大模型
OpenAI、Anthropic先后公开布局递归自我改进（RSI），国内云知声推出搭载RSI自迭代机制的U2-Flash大模型，本文带来实测表现与技术路径拆解，验证小激活规模对标万亿大模型的可行性。
苹果再发论文：精准定位LLM幻觉，GPT-5、o3都办不到
近日苹果发布重磅论文，提出 RL4HS 方法，用强化学习训练模型，能准确标出答案中幻觉部分，还使用片段级奖励和类别感知的 GRPO，在片段级幻觉检测任务上超 GPT - 5 和 o3。