「时间衰减奖励」共找到 619 篇相关文章
多轮Agent蒸馏终于不翻车！港中文x通义新方法成功率暴涨18点，训练还快32%
香港中文大学联合阿里通义事业群提出TCOD训练方法，解决多轮Agent蒸馏稳定性难题。它只需对现有OPD代码做极少改动，提升了模型成功率，压缩行动步数，还减少训练时间，未来或成训练长程Agent标配。
千问负责人突然离职，阿里回应
3月4日凌晨，千问团队核心人物林俊旸突然宣布卸任，引发业内关注。其离职时间点较突然，且前后千问团队还有其他核心成员变动。3月5日，阿里巴巴CEO吴泳铭回应，称公司将坚持开源策略，加大AI研发和人才吸纳。
技术框架不重要，大厂简历不值钱？小哥不会写代码却进了Lovable，80% 靠聊天也能上生产
Lovable是当红AI产品公司，估值66亿美元，其开设全职Vibe Coder岗位。零技术背景的Lazar Jovanovic成首位该岗员工，他80%时间规划对话，介绍了Vibe Coding方法及应对问题策略，强调表达、品味等重要性。
BJIFF·电影+｜第十六届北京国际电影节AIGC电影单元征片公告
第十六届北京国际电影节AIGC电影单元开启征片，该单元已成长为全球关注的AI电影创作新阵地。介绍了组织架构、征集时间与范围、作品要求、荣誉设置等，还设有活动福利，致力于打造全球AI影视创新平台。
这大概是我见过最通俗易懂的AI发展历程科普详文了
文章从历史时间线出发，介绍AI诞生、发展历程，涉及细分技术模块。结合案例说明AI在不同阶段的应用，如早期机器翻译、垃圾邮件过滤。还探讨AI大模型、智能体等概念，分析调优方法和‘幻觉’问题，展望其未来前景。
Meta｜提出RECAP，通过动态目标重加权回放，解决RLVR遗忘【文末送书！Agent相关】
近年来，可验证奖励强化学习（RLVR）提升了大模型在多任务上的性能，但带来“能力退化”问题。Meta等提出RECAP策略，结合“回放”与“动态目标重加权”，保持模型通用能力，提升推理性能，还提高推理效率。
更高智商更快思考！蚂蚁开源最新万亿语言模型，多项复杂推理SOTA
蚂蚁正式发布拥有万亿参数的通用语言模型Ling-1T，超越多个开源和闭源模型，在多项复杂推理基准中取得SOTA表现。它推理和代码能力强，研发采用‘中训练+后训练’，还提出新奖励机制和LPO方法。
OneSearch，揭开快手电商搜索「一步到位」的秘技
本文介绍快手提出的电商搜索端到端生成式框架 OneSearch。它有三大创新，包括 KHQE 模块、用户行为序列注入策略、偏好感知奖励系统。实验显示它在多方面提升显著，已部署于快手电商搜索场景。
刚刚，OpenAI通用智能体ChatGPT Agent正式登场
北京时间周五凌晨，OpenAI发布全新ChatGPT Agent，实现通用智能体能力关键升级。它能自动用多种工具规划，完成复杂任务，已向部分订阅用户开放。其整合多能力，配备工具，基准测试表现佳，但也有安全风险。
用 Astra+Codex 干掉 CUDA！奥特曼9个月AI造芯反杀英伟达 GB300
北京时间昨日凌晨，OpenAI 公布自研推理芯片 Jalapeño 实测结果，其在多指标挑落英伟达 GB300。OpenAI 用 GPT - 6 和加强版 Codex 造芯，9 个月完成硬件设计优化，3 个月搞定软件栈，威胁英伟达 CUDA 根基。