「过程监督强化学习」共找到 1072 篇相关文章
LLM-in-Sandbox：给大模型一台电脑，激发通用智能体能力
来自中国人民大学、微软研究院和清华的研究者提出LLM - in - Sandbox范式，让大模型在代码沙盒完成任务，实验显示其能提升多领域表现，无需额外训练，还能减少token消耗，研究者认为应取代纯LLM推理。
创业7年干出一个全球第一，这家深圳芯片公司冲刺港股IPO
曦华科技冲刺港股IPO，其2024年scaler芯片出货量全球第二，ASIC架构scaler产品市场份额达55%排第一。不过，公司仍亏损，且面临激烈竞争。它靠产品创新和高研发投入提升估值，后续有应对竞争的规划。
千问 APP 再更新：为什么说「聊天」并不是 AI 产品的终点？
当前AI市场进入场景战役阶段，头部玩家都在去聊天化。千问APP此次升级，可在同一界面内完成办公场景从需求到成品的全流程，还覆盖多种模板，引入智能编辑器，是务实且有意义的探索。
Meta这两篇最新Agent Learning论文，有些意思！
分享Meta SuperLabs两篇Agent Learning论文，从‘如何低成本获得高质量经验’出发，形成技术链，为语言智能体进入‘规模化RL时代’提供路线图，还分析了Agent RL问题及两论文成果、对比。
赛力斯上市，可能是“脱离华为”的关键一步｜甲子光年
2025年11月5日，赛力斯在港交所挂牌上市，募资净额140.16亿港元。赛力斯上市旨在强化单独造车能力，70%募资用于研发。其魔方技术平台待完善，赛力斯居安思危，或为脱离华为做准备。
Meta裁员后续：田渊栋被过河拆桥，姚顺雨等集体「抢人」
Meta在人工智能部门裁减约600个职位，田渊栋团队被裁，原因众说纷纭。此次裁员或为强化Alexandr Wang核心地位，也反映Meta内部研究架构混乱。同时，引发AI公司“抢人大战”。
GPT-5 核心成员详解 RL：Pre-training 只有和 RL 结合才能走向 AGI
本文编译 OpenAI 研究副总裁 Jerry Tworek 访谈，探讨 RL 与通向 AGI 路径。他认为 pre - training 与 RL 需结合，GPT - 5 是 o3 迭代，还谈及推理、模型发展、训练方式及 OpenAI 研究情况等。
听说，大家都在梭后训练？最佳指南来了
大模型时代，Scaling Law 边际效益递减，业界转向后训练。《Post-training 101》博客可助初学者入门，涵盖从预训练到指令微调、SFT 原理、多种强化学习技术及模型评测方法等内容。
「All in AI」的 Shopify，分享了他们的全员 AI 落地实践，全是干货
Shopify 三个月前决定「All in AI」，副总裁 Thawar 分享公司引入 AI 的策略、提升效果与三个「反直觉」见解。如全员无差别用 AI、让 AI 展示思考过程、重视新手等，还给出多个工作流案例。
GPT-5 最强大的，是编程
据报道，OpenAI的GPT - 5即将到来且早期反馈积极。它在编程领域表现突出，尤其在实际编程任务上有提升，不过其具体形式存疑，改进或多来自后训练阶段的强化学习。