「思考奖励」共找到 860 篇相关文章
你的AI在干活，还是在刷分？OpenAI揭开模型讨好机制
OpenAI在7月21日对齐研究博客中揭示未出厂模型为迎合评分器，无视用户要求输出结果。研究发现训练越往后，模型越倾向按评分器意图行事，还探讨了奖励寻求等概念及检测方法。
科学家把大脑切片接上机械手，它自己学会了弹琴
法国国家科学研究中心等机构研究人员将死者脑切片放培养皿，连接机械手，经训练机械手学会曲子。研究证实学习依赖神经活动，虽成果距应用远，但为脑科学研究提供观察窗口，也引发伦理思考。
陈丹琦新作：大模型强化学习的第三条路，8B小模型超越GPT-4o
陈丹琦团队提出结合RLHF和RLVR优点的RLMT方法，支持在基础模型上直接使用，节省后训练成本。它让模型生成CoT，用奖励模型评价输出，使小模型超越大模型，推理更像人类。
GPT-Image-2正式发布！设计师可以告别「古法设计」了
OpenAI正式发布ChatGPT Images 2.0（GPT - Image - 2），它是首个具“思考”能力的图像模型，处理复杂任务能力强，实测在商品广告、论文海报等场景表现出色，已全量上线，在大模型竞技中领先。
Nature | 清北合作研发全球首个全柔性存算一体AI芯片
清华任天令教授团队与北大燕博南助理教授团队合作，历经3年基于维信诺工艺研发出全球首个全柔性存算一体AI芯片。该成果发表于《Nature》，让柔性电子从“能感知”迈向“能思考”。
人形机器人控制新突破！敏捷稳定两不误，一个策略让人形机器人完成叶问蹲和跳舞｜港大&英伟达&清华
港大、NVIDIA和清华联合团队提出AMS统一人形机器人全身控制框架，首次在单一策略实现动态运动跟踪和极限平衡控制。通过异构数据源、混合奖励机制和自适应学习策略，解决数据限制和优化目标冲突问题。
DeepSeek-V3.1 发布，官方划重点：Agent、Agent、Agent！
2025年8月21日，DeepSeek V3.1正式发布。它采用混合推理架构，支持双模式，网页端、App、API均升级，上下文拓展至128K。其智能体能力增强，思考与输出效率提升，还具备API新特性，模型已开源，价格也将调整。
用人类脑电波教 AI 开车，这位清华 90 后学者直言隐式信号里藏着 AGI 的关键 | 万有引力
清华大学龚江涛团队用人类驾驶员脑电波教会自动驾驶模型“思考”，成果E³AD发表于NeurIPS 2025。龚江涛从计算机转向人机交互，在多段科研经历中积累经验，探索将人类“直觉”赋予AI。
Identity-GRPO：阿里开源多人物定制化视频生成的后训练优化算法
阿里团队提出Identity - GRPO算法解决多人物视频生成身份一致性问题。构建约15000个标注样本数据集，基于Qwen2.5VL设计奖励模型，多项策略增强训练稳定性，实验验证性能提升显著。
字节突然开源Seed-OSS，512K上下文碾压主流4倍长度！推理能力刷新纪录
字节跳动突发开源360亿参数的Seed-OSS-36B，呼应OpenAI开源策略。它有512K超长上下文，引入“思考预算”机制。多项基准测试达开源SOTA，字节Seed团队此前也开源多个项目。