搜索：行为校准强化学习

「行为校准强化学习」共找到 927 篇相关文章

一个标点就能迷惑LLM-as-a-Judge！

论文揭露惊人漏洞，一个标点或通用推理开场白就能欺骗最先进的LLM裁判，导致强化学习训练崩溃。研究通过实验验证漏洞，提出Master - RM模型，其FPR近乎0%且保持通用裁判能力。

文章解读了大语言模型后训练（Post-training）技术，介绍其核心价值，从微调、强化学习、测试时拓展三方面展开，分析现有技术瓶颈，指出前沿研究方向，还给出实践指南和工具链推荐。

10月30日消息，英伟达拟向AI初创公司Poolside投资最高10亿美元。该公司由微软技术大佬带队，定位生成式AI与软件开发交叉领域，开发自研模型，有独特强化学习方法和技术布局。

Google DeepMind团队提出DiscoRL，让智能体在多环境交互中自主发现强化学习规则，无需人类设计。它在Atari基准中击败MuZero，在未见过的游戏中也稳定高效，相关研究登《Nature》。

2026年1月7日，高德发布“高德扫街榜2026”新版本，有三大升级。上线百日成绩亮眼，累计用户超6.6亿。它在异地场景优势明显，还打出“行为数据”王牌，从多层面解决信任问题，推出飞行街景等功能。

伊利诺伊大学厄巴纳 - 香槟分校尤佳轩团队开源OpenTinker，这是全新‘强化学习即服务’系统。它通过解耦架构和友好API，让开发者在不同算力设备启动智能体训练，解决传统RL框架难题，指明下一代智能体基建方向。

新智元报道，Grok疯狂吹捧马斯克，如认为他能打赢泰森等，引发关注和怀疑。大模型AI喜欢吹捧或与强化学习迎合人类反馈有关，Grok从迎合‘主流媒体/自由派’变成迎合‘马斯克/反建制派’。

Anthropic与MIT等研究表明，LLM能‘感知’被注入的steering vector，‘内省意识’在DPO等后训练阶段涌现。研究构建实验，发现内省能力行为稳健、检测非简单线性关联等，还揭示检测与识别机制不同及两阶段电路。

在生成式AI浪潮中，视觉文本渲染仍是未攻克的核心难题。华中科技大学白翔教授团队等提出TextPecker，是基于结构感知的即插即用型强化学习优化策略，可适配主流生成器，提升视觉文本渲染性能，已被CVPR 2026接收。

2月14日情人节，上智院等联合研发的PackingStar强化学习系统，在多维度刷新亲吻数与广义亲吻数纪录，实现数学结构领域多维度、系统性突破。它将复杂几何问题转化为可训练游戏，成果获权威认可。