「结果导向强化学习」共找到 1203 篇相关文章
ACL 2026 | OPeRA Dataset: LLM真的能模仿人类行为了吗？首次系统评估LLM的人类行为模拟能力
美国东北大学等机构研究者提出OPeRA数据集，采集真实用户在线购物行为，支持系统评测LLM个体化行为预测能力。实验显示当前主流LLM在模拟人类行为上表现有限，揭示其能力边界。
硬核拆解 Hermes-Agent：自学习 Skill 机制的架构设计与实现原理。
文章围绕Hermes - Agent展开，指出多数Agent缺乏自学习能力，而它试图跨越这一鸿沟，能自动“写手册”（Skill）。介绍其架构、安装配置，通过代码审计任务演示自学习过程，并解析Skill机制，为生产级Agent提供新思路。
OpenAI「自首」！联手MIT证明：ChatGPT用得越多越孤独
OpenAI联合MIT进行四周随机对照实验，追踪981名受试者超30万条聊天消息。结果显示，ChatGPT用得越多，人越孤独，信任度越高伤害越深，语音模式长期副作用大，超120万用户心理亚健康。
YOLO26(极速目标检测) + SAM3(精准掩码生成) 搭建一套实用的流水线
文章介绍用 YOLO26 极速目标检测和 SAM3 精准掩码生成搭建流水线。阐述二者原理，给出环境配置、实战代码，分析结果，还介绍进阶优化技巧和常见问题解决方案，适合实时应用场景。
最强开源搜索再升级，研究、预测能力实测超惊艳!
MiroMind团队发布新一代模型MiroThinker-1.7和MiroThinker-H1，定位为重型推理智能体。其研究能力强、推理可靠，还能生成网页报告。新版本升级显著，靠两项关键技术实现有效交互，且预测案例表现出色。
MIT新研究：大模型加噪声就能替代GRPO/PPO调参
MIT新论文提出，预训练模型周围存在大量“专家模型”，只需添加高斯噪声并集成，性能就能比肩甚至超越GRPO/PPO等调参算法。由此启发了RandOpt算法，经测试准确率不错，但也有依赖预训练等缺点。
长电科技汽车电子公司投产，剑指车规与机器人芯片封测新高地！
3月10日，长电科技汽车电子（上海）有限公司启用投产，这是临港新片区集成电路与智能汽车产业融合成果。该公司围绕车规核心应用构建制造能力，还兼顾机器人芯片封测，引入智能与AI技术提升效率。
告别纯奖励试错！二次尝试+反思蒸馏，复杂任务提升81%
美国南加州大学和宾夕法尼亚大学团队提出新训练范式ERL，将「经验学习」引入强化学习，通过二次尝试和反思蒸馏，在复杂任务中性能显著提升，为构建长期自主智能体提供新思路。
3万员工+亲儿子全卖！甲骨文血色梭哈，全押OpenAI
为给OpenAI凑3000亿美金算力投名状，甲骨文裁员3万、卖医疗巨头Cerner抵债。其陷入信用危机，还改结算规则转嫁风险，订单交付迟，OpenAI或转单。甲骨文这场豪赌输赢未知。
Ilya闹翻，奥特曼400万年薪急招「末日主管」！上岗即「地狱模式」
近日，奥特曼为OpenAI招募「准备工作负责人」，年薪55.5万美元加股权，约400万人民币起步。该岗位像「救火队长」，要管控AI风险，因当前AI风险更严峻，且OpenAI安全团队人员流失。