「偏好强化微调」共找到 953 篇相关文章
ICCV 2025 | 打造通用工具智能体的基石：北大提出ToolVQA数据集，引领多模态多步推理VQA新范式
北大团队提出ToolVQA数据集，用于提升基础模型工具使用能力。它含2.3万条样本，贴近真实需求。通过ToolEngine构建，涵盖多工具与任务领域。微调后模型表现佳，代码与模型已开源。
蚂蚁开源 Ring-1T，成就推理、编程、通用智能三冠王
蚂蚁开源团队推出 Ring-1T 模型，它结合强化学习与多阶段推理机制，实现从‘模仿’到‘思考’的转变。该模型在多基准测试表现优异，其高性能得益于 IcePop、C3PO++、ASystem 三项关键技术。
CVPR'26 | 以机器人为中心的ToM推理框架，从心智推理到决策行动
吉林大学、台湾大学和微软亚洲研究院联合提出MindPower Benchmark，构建以机器人为中心的ToM推理框架，统一建模环境感知、心智推理等，还构建数据集和评估指标。引入Mind - Reward强化优化，提升ToM决策与动作生成性能。
印裔1号位删 Karpathy 团队90%代码、算力暴涨 50 倍！马斯克 Robotaxi 10年终上线，30 元乘车体验刷屏
当地时间6月22日，特斯拉在奥斯汀启动Robotaxi试点服务，仅受邀用户参与。其技术基于FSD 13.2.9微调，团队精简90%代码，算力强大。虽面临竞争，但马斯克看好其发展，认为2026年或现超级智能。
腾讯调整大模型组织架构：姚顺雨加盟，向总裁刘炽平汇报
腾讯宣布大模型组织架构调整，姚顺雨加盟。他是大模型Agent方向青年研究者，将任“CEO/总裁办公室”首席AI科学家等职。腾讯强化研发体系，混元大模型成果多，AI产品有竞争力，内部推进AI变革。
刚刚，DeepSeek论文登上Nature，更多细节披露！
9月17日，梁文锋担任通讯作者的DeepSeek - R1推理模型研究论文登《Nature》封面，它是全球首个经同行评审的主流LLM。不靠人工标注，靠强化学习激发推理能力，学会‘自我反思’，在多任务上优于传统模型。
Cursor 定价更新：Pro 不再限 500 次，取消工具调用限制，还推出 $200 Ultra。
Cursor进行定价更新，推出200美元/月的Ultra计划，使用量是Pro的20倍。Pro计划默认改为有速率限制的无限请求，也能切换回旧的500次快速请求模式。还推荐了4个开源LLM微调库。
Agent学会自己「长」Skill了！从失败里长出经验，比人类写的更好用｜ICML 2026
ICML 2026接收论文提出EvolveR，让Agent从自身成败轨迹自动蒸馏“经验”，经闭环生命周期形成“认知Skill”，维护经验库，用强化学习让其学会“使用经验”，在多跳问答表现优。
冗长响应缩减80%，DeepSeek GRPO获得颠覆性改进，微软GFPO问世
微软研究员曝出颠覆性强化学习算法 GFPO，能削减推理多余 token 长度达 80%。它基于 DeepSeek 的 GRPO，可同时优化多响应属性，团队还提出自适应难度变体，实验显示 GFPO 在多方面表现出色。
阿里达摩院开源多模态医学大模型—灵枢
大模型在医疗领域应用有医疗知识覆盖不足、幻觉风险高、推理能力欠缺三大难题。阿里达摩院开源统一多模态医学大模型灵枢，介绍其数据体系、清洗流程及四阶段强化训练方法。