搜索：过程监督强化学习

「过程监督强化学习」共找到 1072 篇相关文章

机器人需求驱动导航新SOTA，成功率提升15%！浙大&vivo联手打造

浙江大学和vivo人工智能实验室团队在ACM MM 2025发表新框架CogDDN。它模拟人类认知，将“双过程理论”用于机器人需求驱动导航，实验中表现优于单视角SOTA方法，为智能机器人技术发展奠基。

硅谷人才争夺战升级，Meta砸钱抢人，思维链之父Jason Wei从OpenAI跳槽到Meta。他离职前发博客，谈及从强化学习获得的人生启示，还阐述AI领域验证非对称性概念及重要性。

近年来，扩散模型在视频生成领域广泛应用，但推理慢、算力消耗高问题突出。EasyCache是无需训练的视频扩散模型推理加速方案，在多模型实验中实现大幅提速且视频质量几乎无损，为技术落地提供基础。

伊利诺伊大学香槟分校与阿里通义实验室推出多模态推理强化学习算法PAPO。它用隐式感知损失设计，解决感知与推理脱节问题，在多基准测试中表现优，但有KL_prcp Hacking现象。

近日Google开源新项目genai - toolbox，它是为数据库设计的MCP服务器，能让开发者用不到10行代码将数据库工具集成到AI应用。该项目封装复杂问题，有动态工具注册机制，支持主流数据库，提供多语言SDK和多种部署方式。

传统RLHF依赖人工标注偏好数据训练奖励模型，成本高且难扩展。本文发现任何通过Next - token预测训练的LLM内部隐含通用奖励模型，从理论和实验证明其可高效实现模型对齐。

现有目标检测方法有决策不透明和拒识能力不足问题。IDEA提出Rex - Thinker，引入“逻辑推理链”，构建可解释推理框架，经两阶段训练，在测评中准确率提升，可解释性强，有良好泛化能力。

香港中文大学、字节跳动Seed和斯坦福大学团队提出SeqPO - SiMT框架解决同声传译“质量 - 延迟”权衡问题。该方法将同传建模为序贯决策过程，优化决策序列，实验显示其性能直逼离线翻译。

作者认为Claude Code是最强AI编程工具，因Anthropic对其针对性强化训练且不计上下文消耗。国内介绍少因自媒体水平差。作者分享五个使用Tips，如/init初始化、Plan Mode规划等。

大语言模型能力提升引发风险担忧，当前主流用外部“黑盒”监控模块解读模型表征，存在诸多局限。上海人工智能实验室和上海交通大学团队提出TELLME方法，摒弃外部模块，提升模型内部透明度，还提升了输出安全性。