「强化学习算法」共找到 1907 篇相关文章
字节清华智能体自动写CUDA内核，比torch.compile加速2.11倍
字节Seed与清华AIR团队开源CUDA Agent，在GPU内核优化基准KernelBench上成绩优异。它是大规模智能体强化学习系统，训练数据经多阶段构建，分阶段训练，全面超越商业模型，还开源了训练数据集。
测试时也能RL，英伟达等提出全新范式：TTT-Discover
近日，斯坦福、英伟达、Together AI 等联合开源全新测试时新范式 TTT - Discover，在测试阶段用强化学习微调模型，以刷出 single best 结果，用几百美元就刷新诸多领域 SOTA。
Meta华人实习生搞出超级智能体！自己写代码实现自我进化
Meta研究团队论文结合哥德尔机思想与达尔文开放算法，提出达尔文哥德尔机，进而定义超级智能体Hyperagents。它能持续自我迭代，实现元学习，实验证明其能有效自我提升，且改进有迁移性。
鹅厂员工怎么看Agent自动持续进化？
落地一个Agent容易，但让其自动持续优化很难。文章分享了9位鹅厂同事对“Agent如何自动持续进化”的看法，如建立评估体系、记录真实任务反馈、结合强化学习等。
阿里QwenLong-32B：1W+超长Token推理，知识密集型复杂文档高效推理
文章介绍阿里QwenLong - 32B在长文本推理的能力。长文本推理有训练效率低和优化不稳定问题，QWENLONG - L1通过强化学习等解决，还阐述其组件、训练步骤，并给出实战代码及相关链接。
离职程序员深夜忏悔用“绝望指数”算法害人：Uber Eats剥削外卖员让缺钱者狂接垃圾订单！如今竟被爆帖子是AI编的？网友：别再让AI背锅了
Reddit一用户自称Uber Eats离职工程师，爆料平台用“绝望指数”算法剥削外卖员，帖子传播极广。但记者核实发现是编造，“证据”或由AI生成，网友对此调查结论看法不一。
突发 | Meta 挖走的OpenAI 核心研究员Jason Wei，离职前留下这样的一段话
OpenAI研究员Jason Wei和Hyung Won Chung跳槽至Meta，Wei在离职前发推文分享强化学习感悟及验证不对称性概念，引发网友猜测与共鸣，这场AI人才争夺战正愈演愈烈。
科普向：一文解构大模型后训练，GRPO和它的继任者们的前世今生
文章深入解读大模型后训练，先对比 PPO 与 GRPO，指出 GRPO 优势及成本问题。又介绍 GRPO 后续改进算法，如 DAPO 解决训练问题、GSPO 提升训练稳定性、GFPO 可优化多属性，还提及 GRPO 其他缺陷。
“这个怎么组装？”一句无害的问题，如何让AI产生危险输出
Amazon团队发现全新威胁模型“视觉排他性”，提出MM - Plan框架，通过强化学习训练智能体自动发现攻击策略。实验显示其对Claude 4.5 Sonnet和GPT - 5攻击成功率可观，代码和数据集已开源。
全球闲置算力训个模型，性能媲美R1，老黄天塌了！Karpathy曾投资它
全球首个分布式RL训练模型INTELLECT - 2发布，整合闲置算力完成训练，成本降低，性能媲美DeepSeek - R1。其采用分布式异步强化学习范式，团队开源四大关键组件，还获Karpathy等投资，未来有多项计划。