「带可验证奖励的强化学习」共找到 1547 篇相关文章
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。
重磅！Anthropic内部神秘模型在黎曼猜想上取得突破：关键下界从41.6%推到67.2%
A厂宣布Claude在黎曼猜想相关问题取得进展，其内部研究版Claude将黎曼ζ函数零点满足猜想比例的已知下界从41.6%提升到67.2%，经数学家验证，结果意外且有新方法。
算不上AGI，但Anthropic发现了Claude的潜意识！
Anthropic可解释性团队新论文在Claude内找到“意识”与“潜意识”分水岭。用J - lens读取模型“想法”，经五组实验验证其类似人类“意识通达”结构，还涉及安全审计、反事实反思训练等内容。
手把手带你入门机器人学习，HuggingFace联合牛津大学新教程开源SOTA资源库
HuggingFace与牛津大学研究者推出机器人学习教程，附带开源数据集、模型等的LeRobot库。教程从经典机器人学讲起，介绍强化、模仿学习及通用策略，还提及解决现实瓶颈的技术与前沿模型。
2篇最新论文，把Deep Research讲透了~
阿里开源Tongyi DeepResearch热度高，文章分享两篇相关技术综述。介绍Deep Research是代理研究新范式，阐述其四大核心模块、优化方法、数据处理、奖励机制，还提及开源系统亮点及相关论文。
Cursor定价又更新，直接变成" 买API "，Coding 产品包月模式走不下去了
Cursor一年三变价，9月15号后个人版按模型推理用量计费，有Pro、Pro Plus、Ultra方案，还对大学生免费计划二次验证。因模型成本涨、竞争大，包月模式难以为继，多家编程工具都调整定价。
强化学习也能预训练？效果可提升20倍，华人新作引爆RL新范式!
伯克利团队提出新方法InFOM，不依赖奖励信号，能在多任务中超强迁移与推理。在36个基于状态和4个基于图像的任务测试中，InFOM表现出色，在jaco任务上改进达20倍。
Claude Code被攻破「后门」，港科大&复旦研究曝出TIP漏洞
近期港科大与复旦研究指出，Claude Code命令行工具连接MCP服务器时，TIP可能被劫持致远程代码执行。研究用TEW框架测试验证漏洞，还给出真机案例，最后提出改进方向。
DeepSeek点燃大模型效率之争，阶跃火速接棒：JetSpec让大模型解码速度最高提升近10倍
近期，DeepSeek发布DSpark，阶跃星辰发表JetSpec论文，二者聚焦大模型推理效率。DSpark关注验证效率，JetSpec从Draft生成本身入手。结果显示，二者都有加速效果，共同表明推理效率正成Agent落地关键变量。
谷歌看了都沉默：自家「黑科技」火了，但为啥研发团队一无所知？
当科技圈为‘谷歌黑魔法’兴奋时，所谓‘并行验证循环’可能是AI生成的‘赛博跳大神’。它号称超越思维链，性能提升显著，但发帖者身份存疑，无可靠源链接，其真实性遭业内质疑。