「人类反馈强化学习」共找到 1976 篇相关文章
代码碾压一切！OpenAI神秘模型o3-alpha一夜刷屏，却遭41岁大神绝地反杀
OpenAI神秘模型o3 - alpha曝光，代码能力强大，疑似在编程大赛获亚军，不敌人类选手Psyho。ChatGPT Agent也实力惊人。比赛组织者指出AI代码优化强，但缺人类创造力。
AI生成的图片正在反向对齐人类的审美？ICML 2026观点论文Spotlight
UBC和Weathon Software研究指出，图像美学对齐削弱艺术表达。开发者用评估模型让图像生成模型产出符合人类审美的图片，但这导致图片同质化，限制艺术多元性，作者还提出六个相关担忧，并做多项测试验证。
强化学习的进化：从PPO到MaxRL，LLM推理训练的算法演进史
本文概述2024 - 2026年推理LLM的强化学习进展，从REINFORCE和PPO讲起，介绍GRPO、RLOO等多种算法。指出critic模型非必需，标准差归一化有副作用，损失聚合很关键，信任域是优化切入点，还提出几个未解决的挑战。
Meta-Think ≠ 记套路，多智能体强化学习解锁大模型元思考泛化
上海交通大学等团队提出ReMA框架，将复杂推理解耦为元思维和推理智能体，通过迭代强化学习协作。在单轮实验中，ReMA在多基准测试表现优；多轮实验虽有提升但不稳定，需进一步探索。
最懂英伟达的CoreWeave，为啥突然花钱买了个强化学习作坊？
算力巨头CoreWeave市值达483.9亿美元，收购专攻强化学习训练AI智能体的OpenPipe。CoreWeave想打造全能平台，此前已收购W&B，此次收购标志其涉足智能体核心训练环节。OpenPipe的ART框架有独特优势。
20000 GPU·h砸出 106 个SOTA模型架构：AI 科研进入“自我加速”时代
模型架构发现领域迎来突破，ASI - ARCH超级智能体无需人类预设搜索空间，完成科研闭环。经20000 GPU·h、1773次实验，发现106个超越人类SOTA的线性注意力架构，且已开源。
用AI重新审视人类发明史：我们的技术本该比现在更先进吗？
美国研究员 Brian Potter 用 AI 分析 1800 年到 1970 年代 190 项重大发明，判断最早何时能造。结果显示多数发明没迟到太久，1900 年后发明间隔缩短，75%约束是技术性的。
Karpathy 秒删 AI 职业分析项目，背后是，一场人类的职业大迁移
Karpathy 做了 AI 职业暴露度分析项目，引发关注后秒删。Stanford NLP 指出其分析不足。多家报告显示 AI 对职业冲击大，全球科技行业裁员，国内前端岗位受影响，还带来职业大迁移。
Figure机器人直播100小时打擂台，3秒一个不停分拣13万包裹！
Figure公司F.03机器人直播分拣包裹超100小时，分拣超13万个。10小时人机对决中，人类以不到200个包裹险胜。CEO称这是人类最后一次赢，具身智能飞轮或已过拐点。
国内首篇！融合语言模型的多模态触觉传感器，推动机器人触觉迈向人类水平
清华大学丁文伯团队联合多机构，受鸽子感知机制启发研发仿生多模态触觉传感器 SuperTac，构建 8.5B 参数触觉语言模型 DOVE，成果发表于《Nature Sensors》，推动机器人触觉迈向人类水平。