「自奖励训练」共找到 3107 篇相关文章
让 AI 自己打怪升级，Meta用Self-play RL把Coding推向超级智能
Meta FAIR、Meta TBD Lab等朝着“超级智能软件工程Agent”迈出第一步。SSR让大模型零人类标注，靠自生成Bug和自修复稳定碾压人类数据基线，新旧范式对比优势明显，还介绍方法、实验结果与理论洞察。
超越Claude 3.5和o1！8B模型靠「分层投票+测试时训练」逆袭
近日MIT研究者发现测试时训练在大模型应对复杂推理问题时，能分解任务提升回答准确率。8B的lemma3模型经此方法，在ARC和BBH数据集上性能显著提升，超Claude 3.5等。但该策略部署效率低。
语言模型内部还藏着众多策略模型？自底向上强化学习重塑底层特征 | 直播预约
现有强化学习工作将语言模型作整体策略优化，研究提出以策略视角审视内部隐藏状态，分析层级和模块级策略，发现不同模型模式差异，还提出自底向上强化学习策略，为研究架起新桥梁。
比传统方法强7倍：Anthropic物理隔离危险知识，重塑大模型安全训练范式
Anthropic团队提出选择性梯度掩码技术（SGTM），在训练阶段将危险知识物理隔离到特定参数并剔除，实现安全性与通用能力更好平衡，抗恢复性是传统方法7倍，还能处理未标记危险数据。
Figure抛弃10万行C++代码！用1000小时人类数据训练神经网络，实现全身控制基础模型
美国机器人公司Figure推出具身大脑Helix 02及家务demo。其搭载的Figure 03在厨房自主完成复杂任务，且实现端到端全身控制。新引入的System 0基于人类数据训练，替代大量手写代码，还展示多种灵巧操作。
比自回归更灵活、比离散扩散更通用，首个纯Discrete Flow Matching多模态巨兽降临
近年来多模态大模型多采用自回归架构，推理缺乏灵活性。香港大学和华为诺亚方舟实验室研究团队提出FUDOKI，基于全新非掩码离散流匹配架构，能并行去噪、动态修正，为多模态模型开辟新路径。
AI“读书”合法了：美法院最新裁定，无需作者同意，已购书籍可用于训练AI
美国法院裁决允许Claude背后公司Anthropic，在未经作者许可下用合法购买的已出版书籍训练AI，参考“合理使用”原则，认为属“转化性使用”。此前也有类似AI版权诉讼案例。
35 年只卖设计，今天亲自下场造芯！Arm 首款自研芯片发布，Meta 抢下首单
36 年来 Arm 一直授权芯片设计，如今推出首款自研芯片 Arm AGI CPU，Meta 成首单客户。该芯片专为代理式 AI 设计，性能出众，获多家企业认可，还推出参考服务器，当前全球 CPU 供应趋紧。
AI训练初创公司Mercor，年运收入4.5亿美元，冲击100亿美元估值
AI训练初创公司Mercor正洽谈C轮融资，目标估值100亿美元或更高。它为OpenAI等对接专家，还提供数据标注服务，年化运营收入近4.5亿美元，但也面临Surge AI等对手竞争，OpenAI新平台或带来新威胁。
3B模型性能小钢炮，“AI下半场应该训练+验证两条腿跑步”丨上海AI Lab&澳门大学
上海AI Lab和澳门大学联合发布通用答案验证模型CompassVerifier与评测集VerifierBench，填补Verifier领域循环迭代体系空白。AI下半场评估比训练更重要，当前验证方法有困境，新模型验证精度高且能用于强化学习。