「策略判别学习」共找到 2107 篇相关文章
Agent学会自己「长」Skill了！从失败里长出经验，比人类写的更好用｜ICML 2026
ICML 2026接收论文提出EvolveR，让Agent从自身成败轨迹自动蒸馏“经验”，经闭环生命周期形成“认知Skill”，维护经验库，用强化学习让其学会“使用经验”，在多跳问答表现优。
信息量爆炸！OpenAI内部路线图首次全曝光，首席科学家亲口承认：超级智能10年内到来
OpenAI宣布重组完成后，Sam Altman和首席科学家Jakub Pachocki直播公开内部路线图，称深度学习或10年内实现超级智能，还公布了AI研究目标与时间线，涉及产品、基建等多方面规划。
冗长响应缩减80%，DeepSeek GRPO获得颠覆性改进，微软GFPO问世
微软研究员曝出颠覆性强化学习算法 GFPO，能削减推理多余 token 长度达 80%。它基于 DeepSeek 的 GRPO，可同时优化多响应属性，团队还提出自适应难度变体，实验显示 GFPO 在多方面表现出色。
ChatGPT上瘾，大脑萎缩47%！MIT祭出206页92图超长报告
麻省理工学院完成针对ChatGPT用户的首次大脑扫描研究，发现长期依赖大模型，学习能力下降、大脑受损，神经连接减少47%。AI提高效率或为误解，使用它是用长期思维能力换短暂效率。
别再用单选评测骗自己了！Amazon新论文揭示了大模型在多选题中的3种系统性偏差
Amazon新论文揭示大模型做多选题有3种系统性偏差，如选择、数量、猜测偏差。还推出SATA - Bench评测，给出10个测量指标，提出Choice Funnel解码策略，能提升小模型多选题正确率。
仅需10%思维链标注，等同全量性能！中科院发布推理监督新范式
中科院计算所团队提出新框架PARO，让模型学习固定推理模式自动生成思维链，只需标注1/10数据就能达全量人工标注性能，适合规则清晰领域，为推理监督提供新思路。
让VLM学会「心中有世界」：VAGEN用多轮RL把视觉智能变成「世界模型」推理机器
当前VLM智能体面对复杂视觉任务表现不佳，美国西北大学等机构联合研究成果VAGEN，提出创新强化学习框架，奖励正确思考过程，让VLM在行动前构建内部世界模型，效果超多款闭源大模型。
Identity-GRPO：阿里开源多人物定制化视频生成的后训练优化算法
阿里团队提出Identity - GRPO算法解决多人物视频生成身份一致性问题。构建约15000个标注样本数据集，基于Qwen2.5VL设计奖励模型，多项策略增强训练稳定性，实验验证性能提升显著。
华为云再掀算力风暴：CloudMatrix384超节点将升级，Tokens服务性能最大可超H20四倍
华为云在全联接大会2025发布新进展，如CloudMatrix超节点升级、首创EMS服务等。其以“算力黑土地”理念，用智算+通算策略满足产业需求，Tokens服务优势显著，还支撑多领域应用。
实测谷歌AI故事书，我实现漫画和绘本自由了
谷歌Gemini推出免费StoryBook工具，30秒左右可生成10页故事书，支持中文且内容有趣。测试显示，它在图像风格、故事创作上表现出色，还能作学习和展示工具，获网友好评。