「奖励黑客」共找到 304 篇相关文章
无需奖励函数！我们意外构建了自我进化的AI系统
牛津大学发现LLM可通过“部署 - 验证 - 再训练”循环自我进化，绕开人工奖励函数设计瓶颈。在三个经典规划领域实验效果惊人，还在理论上证明其与强化学习的数学等价关系，有优势也有隐患。
Claude Code 项目初始化模板：黑客松冠军团队的生产级配置
claude-init 是 Claude Code 项目初始化模板，集成黑客松冠军团队生产级配置。有三层文档架构、9 个专用子智能体、10 条快捷指令、8 条强制规则及智能上下文管理，助开发者高效配置使用。
经典之作！Agent无需奖励也能学习：通过“早期经验”的Agent Learning
该论文提出‘早期经验’范式，让智能体通过执行动作、观察结果状态学习，无需外部奖励。它能降低数据依赖，提升泛化与鲁棒性。实验显示，其在多样环境中效果出色，为智能体训练提供新思路。
一场机器人黑客松，让具身智能的差距与机会同时显形
作者参加深圳机器人黑客松，这是全球最大规模线下具身智能开发者大赛之一。3天内参赛队伍可完成从数据采集到真机部署闭环。比赛让行业差距与机会显形，凸显基模重要性，自变量也给出新方向。
Anthropic 公布 Claude Code 黑客松六强作品，来自医生、老师、木匠的儿子……
Anthropic公布Claude Code黑客松六强作品，包括虚拟诊室、电路板维修工具、编程教学平台等。这些项目来自不同职业背景的人，用Opus 4.7 + Claude Code完成，将专业知识转化为工具，传承人类经验。
快手&中科院 | 提出多模态奖励模型：R1-Reward，比SOTA模型提升5%-15%！
多模态奖励模型对提升多模态大语言模型表现至关重要，但现有强化学习算法用于训练存在问题。快手、中科院等团队提出 R1 - Reward，在基准上比 SOTA 提升 5% - 15%，还在快手业务场景成功应用。
GPT-5爆改时尚圈，让Excel原地复活！OpenAI黑客松大奖出炉
OpenAI举办GPT - 5黑客马拉松挑战赛，95支队伍角逐5万美元奖金。韩国Gentoo团队夺冠，其用GPT - 5开发系统助力商家营销。此外，还有团队将GPT - 5用于时尚、电子表格、知识学习、电脑使用、电网决策等场景。
大模型智能体不止能写代码，还能被训练成白帽黑客
Amazon AWS AI的Q Developer团队发布两项训练网络安全大模型的新方法Cyber - Zero和CTF - Dojo。前者不依赖真实环境生成训练数据，后者构建实战环境让模型学发现漏洞，二者结合为AI白帽黑客成长提供路径。
Anthropic 黑客松冠军开源神作！3 万人收藏的神级 Claude Code 升级包！
Claude Code在处理复杂项目时存‘记性不好’等问题，单打独斗难敌复杂工程需求。Anthropic黑客松冠军得主开源Everything Claude Code项目，涵盖多模块，是系统化AI协作体系，已获30K+ Star。
TRM思考奖励模型上线，大模型推理质量终于能量化了 | ICML‘26 Oral
大模型推理评测多只看答案，忽略推理过程。上海多校团队提出TRM，用ME² principle刻画推理质量，DAG-based pairwise evaluation还原结构，训练奖励模型，让推理质量可度量、训练和优化。