「内生奖励」共找到 699 篇相关文章
AI七个月突破数学家“围剿”反超人类！14位数学家深挖原始推理token：不靠死记硬背靠直觉
大模型o3 - mini - high在7个月内，于FrontierMath基准测试中，答题得分从2%提升到22%，超人类团队平均水平。数学家分析其推理记录，发现它靠直觉而非死记硬背解题，但也存在缺乏创造力等局限。
RLHF已死，RLVR引爆AGI革命！Claude 4核心成员万字对谈
Claude 4核心成员对谈指出，强化学习在语言模型上奏效，可验证奖励的强化学习（RLVR）比RLHF更优，模型有望从「专才」向「通才」过渡，未来AI智能体将完成白领工作，人们应做好准备。
19年不丢数据，擦写6万次不坏，原子级材料重新定义未来芯片
上海大学王震宇副教授团队在《自然·电子学》发文，用二硫化铌和二硫化钼做出新型非易失存储器，能保持数据约19年、擦写超6万次，还具备计算和存储两种本领，对未来低功耗计算和存内计算有吸引力。
一场机器人黑客松，让具身智能的差距与机会同时显形
作者参加深圳机器人黑客松，这是全球最大规模线下具身智能开发者大赛之一。3天内参赛队伍可完成从数据采集到真机部署闭环。比赛让行业差距与机会显形，凸显基模重要性，自变量也给出新方向。
后生可畏！何恺明团队新成果发布，共一清华姚班大二在读
何恺明团队继5月提出MeanFlow (MF) 后，近日推出改进版Improved MeanFlow (iMF)，解决了原始MF三大核心问题。它重构预测函数，还实现灵活的无分类器指导和高效的上下文内条件作用架构，提升了实用性和效率。
太空算力竞赛白热化：谷歌刚刚发布计划，中国太空计算卫星星座已在轨运行半年
当地球AI算力竞赛内卷，太空算力赛道开启。中国国星宇航“星算”计划首批卫星半年前已组网运行，规模和算力世界第一。谷歌等巨头也有布局，但谷歌计划2027年初才发原型卫星，中国企业已占先发优势。
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。
一年4次迭代，狂堆GPU成真！微软AI冷液灌芯，散热暴涨3倍
AI芯片发热问题严重，限制了其发展。微软推出微流体冷却技术，在芯片内开液体血管，散热效率最高提升3倍，温升降65%。一年4次迭代解决诸多难题，影响从省钱到使用体验，更是抢跑未来的布局。
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。