「过程监督强化学习」共找到 1072 篇相关文章
72小时AI生存挑战，发生了什么？
五源发起72小时AI生存挑战，7位不同背景参与者在封闭空间，仅用AI工具和100元资金生存并创造。有人训练AI朋友，有人创作作品。过程中暴露诸多问题，也让大家看到AI能力边界与未来可能。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
多模态模型学会“按需搜索”，少搜30%还更准！字节&NTU新研究优化多模态模型搜索策略
字节与NTU优化多模态模型搜索策略，通过搭建工具、构建数据集及设奖励机制，用强化学习训练模型，使其按需搜索。实验显示，MMSearch - R1系统少搜30%还更准，为多模态大模型发展提供洞见。
理想汽车内部会曝光：必做人形机器人！全网急聘“最好的人”、连跳槽的前员工都要揪回来？
1月26日理想汽车CEO李想召开全员会，强调2026年是AI头部公司上车最后一年，最晚2028年L4落地。理想会强化具身智能定位，必做人形机器人，还将对研发组织变革，官网已放出相关研发岗位。
奖励模型终于迎来预训练新时代！上海AI Lab、复旦POLAR，开启Scaling新范式
在大语言模型后训练阶段，奖励模型设计与训练是关键瓶颈。上海AI Lab、复旦推出预训练奖励模型POLAR，采用策略判别学习新范式，适配强化微调，性能和泛化能力强，为LLM后训练带来新可能。
秘塔AI也终于悄悄上线了DeepResearch。
秘塔AI搜索上线新功能DeepResearch，作者测试后评价颇高。它有可视化界面，能展示思考执行过程，打破AI黑盒。输出报告质量好、精准度高，还可生成互动网页，且免费额度多，虽有小问题但仍值得肯定。
交互扩展时代来临:创智复旦字节重磅发布AgentGym-RL，昇腾加持，开创智能体训练新范式
强化学习之父指出人工智能迈入「经验时代」，在此背景下，复旦、创智、字节研究者发布 AgentGym - RL 框架。它是全新端到端 RL 框架，提出 ScalingInter - RL 方法，7B 模型经训练追平顶尖商业模型，为 AI 发展注入动力。
智能体新范式Chain-of-Agents，多项任务新SOTA
论文提出Chain-of-Agents (CoA) 范式，结合多智能体系统与工具集成推理优势。通过多智能体蒸馏和智能体强化学习训练智能体基础模型（AFM），实验显示其在Web和Code任务上达新SOTA，效率、泛化性佳。
文库 GenFlow2.0，这个特性让我大吃一惊
作者作为创业者和 Agent 重度用户，分享了使用文库 GenFlow2.0 的体验。它是全球首个全端通用 Agent，支持多 Agent 并行工作，过程可干预，整合多维生态，交付形态接近专业生产工具，还支持 MCP 协议开放能力。
CVPR史上首次！中国车厂主讲AI大模型，自动驾驶也玩Scaling Law?
世界计算机三大顶会之一CVPR 2025落幕，小鹏汽车作为唯一受邀车企，其世界基座模型负责人发表演讲分享成果。小鹏用强化学习打造‘AI大脑’，还自研‘世界模型’，从云到端全流程优化，展现中国车企在自动驾驶的创新实力。