「自我奖励」共找到 537 篇相关文章
DeepSeek V3到V3.2的进化之路，一文看全
知名AI研究者Sebastian Raschka发布深度博客，详细梳理DeepSeek V3到V3.2进化历程。DeepSeek V3.2性能对标GPT - 5和Gemini 3.0 Pro，且为开放权重模型，报告涵盖众多有趣领域和知识。
初赛鸣金，精英集结 | 云谷杯·2025 人工智能应用创新创业大赛初赛顺利举行
11月7日，云谷杯·2025人工智能应用创新创业大赛初赛线上举行，100余项目角逐，30个进复赛。大赛多方主办，赛制等全面升级，有丰厚奖励和政策支持，承办方InfoQ助力项目成长，复赛将选10强。
AI已经开始自己设计算法，并且超越顶尖人类专家，人类还能做什么？
谷歌DeepMind团队与加州大学伯克利分校研究显示，AI能设计出超越人类专家的算法。如在多个领域案例中，AI设计的算法在成本、效率等方面表现出色。ADRS方法将系统研究核心环节自动化，人类研究员角色也将转变。
微软开源2025 ICML获奖框架，终结大模型多轮对话严重缺陷
微软开源2025年ICML获奖框架CoLLabLLM，可解决大模型多轮对话缺陷。它由四大模块构成，经多轮对话模拟和奖励优化模型。在三大基准平台测试显示，能在多样任务中高效协作。
苹果港大终结自回归时代？7B扩散模型发布，AI写代码逻辑彻底颠覆！
苹果联合港大开源扩散大语言模型DiffuCoder，用扩散模型+强化学习策略，性能提升4.4%。研究还提出耦合梯度奖励策略优化方法，建立原生RL训练框架，探究了dLLM的生成机制等问题。
灵初智能陈源培：一个 00 后的机器人之梦
00 后陈源培是灵初智能联创，本科土木工程专业，大二因比赛对机器人感兴趣。他研究灵巧手，参与开源项目，灵初发布相关模型。他认为强化学习对灵巧手重要，还谈了模型、创业、落地等看法。
VeRL-Omni：面向扩散和全模态生成模型的通用RL后训练框架
VeRL-Omni是面向多模态生成模型的通用RL后训练框架，覆盖多种架构。它有高效多模态rollout、灵活奖励引擎等特性，支持多种硬件，团队还验证了不同训练方式，后续将扩展模型与算法支持。
拆解 Anthropic：最好的 AI 公司，可能也都是一种组织发明
过去一年，Anthropic 是 AI 行业最值得研究的公司，创造了最快爆发性增长，估值反超 OpenAI。文章从战略判断和组织文化两方面拆解其成功原因，分析与 OpenAI 的差异，还指出 AI 竞争中组织文化的重要性。
Anthropic 调整 Claude 额度；黄仁勋最后登访华机；GPT-5.6加速来袭；李彦宏提出AI新指标DAA
2026年5月14日AI资讯日报涵盖多领域动态。新闻有Meta田渊栋创业、黄仁勋访华等；产品应用涉及Hermes Agent、百度秒哒3.0等；推荐文章含腾讯程序员构建执行环境等观点。
罕见！Meta、OpenAI、xAI联合分享了用生产环境提升LLM的最佳实践！
Meta、OpenAI、xAI联合发表成果CharacterFlywheel，聚焦在生产环境提升社交型AI对话能力。团队基于LLaMA 3.1迭代15个版本，7/8的A/B测试显示正向提升，介绍了架构、数据管道、奖励模型等内容。