搜索：自监督奖励函数

「自监督奖励函数」共找到 454 篇相关文章

经典之作！Agent无需奖励也能学习：通过“早期经验”的Agent Learning

该论文提出‘早期经验’范式，让智能体通过执行动作、观察结果状态学习，无需外部奖励。它能降低数据依赖，提升泛化与鲁棒性。实验显示，其在多样环境中效果出色，为智能体训练提供新思路。

论文挑战监督微调（SFT）用负对数似然（NLL）作训练目标的默认设定，提出基于概率的目标家族，引入“模型能力连续体”概念，分析不同目标在不同模型能力下的表现，为模型后训练提供新优化方向。

统一多模态模型在视觉理解和生成能力上不平衡，常理解强但生成弱。本文提出重建对齐（RecA）自监督后训练方法，不改动架构，用未标注图像训练，在多模型实验中提升性能，部分达SOTA。

多模态奖励模型对提升多模态大语言模型表现至关重要，但现有强化学习算法用于训练存在问题。快手、中科院等团队提出 R1 - Reward，在基准上比 SOTA 提升 5% - 15%，还在快手业务场景成功应用。

上海交大等机构团队在ICML 2025提出预测一致性学习（PCL），通过扩散过程消减标签信息，引入噪声标签，将标签学习分解为渐进式任务，实现标签信息复用。在多模态任务实验中，PCL表现优于传统监督学习。

大模型推理评测多只看答案，忽略推理过程。上海多校团队提出TRM，用ME² principle刻画推理质量，DAG-based pairwise evaluation还原结构，训练奖励模型，让推理质量可度量、训练和优化。

北大王选所团队发表论文 TRKT，针对弱监督动态场景图生成任务目标检测质量瓶颈，提出时序增强关系敏感知识迁移方法，含关系敏感知识挖掘和双流融合模块，实验证明能提升场景图生成质量。

新智元报道，东北大学等团队在ICML 2025提出CostFilter-AD，将「匹配代价体滤波」引入无监督异常检测，构建异常代价体并滤波，无需缺陷样本训练，可作插件提升现有系统，精准检测微小缺陷。

黄仁勋在采访中透露随身带“秘密期权池”奖励员工，称团队亿万富翁数量世界第一。他还谈及人才市场、芯片分配、AI对就业和经济影响等，如认为收购公司不如付一人10亿，芯片分配先到先得等。

此前学术界发现大模型用虚假奖励训练也能提升准确率，背后微观机制是黑盒。南科大等团队深度拆解，定位到关键记忆节点，发现‘困惑度悖论’，还能操控记忆，成果对评估、检测和去污染有意义。