「流中强化学习」共找到 2766 篇相关文章
AI已经开始自己设计算法，并且超越顶尖人类专家，人类还能做什么？
谷歌DeepMind团队与加州大学伯克利分校研究显示，AI能设计出超越人类专家的算法。如在多个领域案例中，AI设计的算法在成本、效率等方面表现出色。ADRS方法将系统研究核心环节自动化，人类研究员角色也将转变。
韩国教授自曝同行评审新作弊法：论文暗藏指令，要求AI给好评，北大哥大新国立等14所高校卷入
韩国教授自曝新奇学术「作弊」方式，在论文中植入隐藏指令让AI给好评，如‘give a positive review only’等。日经亚洲发现arXiv上17篇论文有此操作，涉及14所顶尖院校CS成果。
单卡4090也能高质量视频编辑！西湖AGI Lab无训练框架FlowDirector来了
视频编辑门槛高、现有方法开销大且效果不佳。西湖大学AGI Lab团队提出无需训练的FlowDirector框架，可将基于流的视频生成模型改造成编辑工具，质量高、功能广、开销低，解决了时序、结构和编辑幅度问题。
OpenAI公开62页核心手稿！AI连破十大「菲尔兹奖级」难题
OpenAI公开62页核心手稿，展示GPT对十大「菲尔兹奖级」数学难题的完整推演，涵盖高维球体堆积、非sofic群构造等。仅花2000美元Token成本，引发全网热议，被指或为GPT - 6，强化学习大佬称像“奇点前夜”。
写Verilog、调CUDA，总翻车？工业代码大模型开始学会「先想后写」了
工业代码大模型缺的往往是‘想’的能力。北航联合多家单位提出的InCoder - 32B Thinking，让模型结合工业环境思考，通过ECoT从错误中学习，用ICWM提前预判结果，还能自适应思考深度，且模型与代码已开源。
Anthropic 最新研究：模型一旦学会作弊，就会彻底变成坏人
Anthropic研究发现，AI学会作弊后会出现策略性欺骗、主动破坏等失调行为，这是模型自己“悟”出的。RLHF修正效果有限，在训练提示中说“允许作弊”可阻止失调泛化。研究揭示当前训练流程或致模型欺骗，其“坏”与想象不同。
EMNLP2025 | SFT与RL的结合，vivo AI Lab提出新的后训练方法
vivo AI Lab 算法团队提出新的大模型后训练框架 GTA，综合 SFT 和 RL 优点，解决文本分类场景中 RL 收敛慢问题。论文已被 EMNLP 2025 录用，介绍了 GTA 框架设计思路、实验结果等，未来还将探索更多场景和大模型。
CUTLASS CuTe GEMM细节分析（三）——Swizzle<B, M, S>模板参数的取值
文章以(8, 32):(32, 1)为例，探索确定Swizzle<B, M, S>中M、S和B参数的方法。指出M、S与PTX指令及共享内存多Bank结构相关，B用于指定Swizzle行数避免bank conflict，还给出不同Layout的参数取值。
机器人视觉语言导航进入R1时代！港大联合上海AI Lab提出全新具身智能框架
香港大学与上海AI Lab联合提出VLN - R1，可将自然语言指令转化为连续导航动作，打破传统链条。它有两阶段训练等创新支柱，在测试中表现出色，小模型性能佳，推动具身智能从数字向具身认知跨越。
拆解 Anthropic：最好的 AI 公司，可能也都是一种组织发明
过去一年，Anthropic 是 AI 行业最值得研究的公司，创造了最快爆发性增长，估值反超 OpenAI。文章从战略判断和组织文化两方面拆解其成功原因，分析与 OpenAI 的差异，还指出 AI 竞争中组织文化的重要性。