「RL后训练」共找到 3818 篇相关文章
OpenAI不Open！7年功勋老将投奔宿敌，实验室沦为API代工厂
2026开年，OpenAI的「推理之父」Jerry Tworek离职，他入职近七年，是推理技术核心人物。Scaling Laws失效，后训练成主要出路，但深度推理成本高，在强调盈利环境下，Tworek不满研究受限而离开，OpenAI或失去通往AGI的机会。
让机器人「不仅会想，还能准确去做」，VLA-R1把「推理+行动」带进真实世界
VLA-R1是“先推理、后执行”的VLA基础模型，结合链式思维监督与强化学习，优化推理和执行。它有两阶段训练、三类可验证奖励等创新点，经多层面测试效果好，在多领域有应用前景。
为什么 AI 喜欢用破折号
文章探讨AI爱用破折号的原因。AI常用“delve”源于非洲导师打分偏好，但破折号并非如此。作者发现这一现象在GPT - 4后凸显，原因或为AI公司用旧书训练，使AI继承旧时代写作风格。
告别大模型“失忆”！人大开源MemSifter：轻量代理先思考再回忆，搞定长时记忆
中国人民大学团队提出全新LLM记忆管理框架MemSifter，打破长时记忆管理‘精度不够’和‘成本太高’的困局。它将记忆检索‘外包’给轻量级代理模型，采用任务结果导向的RL训练范式，在8个基准测试中超越现有SOTA方案。
ACL 2026｜打破推理同质化！阿里达摩院新作让RLVR从重复采样走向有效探索
阿里达摩院智能决策团队提出面向RLVR后训练的探索增强框架I²B-LPO，改进rollout策略，在关键节点生成更具区分度的推理轨迹，结合信息瓶颈自奖励机制，在多个数学基准上提升准确率与语义多样性。
苹果再发论文：精准定位LLM幻觉，GPT-5、o3都办不到
近日苹果发布重磅论文，提出 RL4HS 方法，用强化学习训练模型，能准确标出答案中幻觉部分，还使用片段级奖励和类别感知的 GRPO，在片段级幻觉检测任务上超 GPT - 5 和 o3。
VLA统一架构新突破：自回归世界模型引领具身智能
北京智源研究院联合中科院自动化所提出 UniVLA 全新 VLA 模型架构，基于全离散、自回归机制建模多模态信号，后训练引入世界模型。它刷新多项基准纪录，在真机操控和自动驾驶有潜力，为多模态感知决策融合带来新思路。
大模型是不是到顶了？瓶颈到底在哪
文章探讨大模型是否到顶，指出‘到顶’争论分三个问题，靠堆大模型提升能力之路变平，受数据和成本约束。但大模型还有后训练和推理时计算两个发展方向，未来进步或来自更会用算力。
GPT-5核心推手闪电跳槽，Anthropic CEO高调炫耀员工留存碾压OpenAI，“AI第一公司”光环崩塌？
OpenAI后训练负责人、GPT - 5核心推手Max Schwarzer跳槽至Anthropic，此前也有多位技术领袖离开。OpenAI在商业版图扩张与伦理争议并存下，正从参数军备赛转向体验护城河，同时加速商业与政治布局，但面临人才流失等问题。
旅行 AI 告别只会做规划的平庸时代，飞猪帮帮决定让 Agent 做履约
8月10日，飞猪推出新一代旅行AI“飞猪帮帮”，能力覆盖旅行全生命周期。它将用户需求分为“帮我想、帮我订、帮我办”，利用Qwen模型后训练，结合多种校验手段，让AI从提供信息到进入履约环节。