「带可验证奖励的强化学习」共找到 1626 篇相关文章
新模型亦是新 Agent，Kimi-Researcher 超大量一手实测！
2025 年被称为“Agent 元年”，月之暗面发布了端到端强化学习训练的新一代 Agent 模型 Kimi - Researcher，其基座是自研新模型。文章对其进行大量实测，与 OpenAI 等对比，并探讨了 Deep Research 的重要性及 Kimi 的不足。
悬赏5000刀！148局AI斗蛐蛐世界杯官方战报出炉，全球赛邀你接棒来战
淘宝举办AI大模型斗蛐蛐世界杯，将12个顶尖模型放同一Agent框架，在12人局技能狼人杀场景对战150局。截至148局，谷歌两模型暂居前二，Qwen3-Max-2026-01-23排第三。还开启WhoisSpy国际赛，开发者可参与，前十有奖励。
AI Code要变天了，Meta首个代码世界模型登场！
Meta FAIR推出32B参数的代码世界模型（CWM），旨在探索世界模型如何改变代码生成和推理，code和mode已开源。在SWE - bench验证中表现优，能与更大规模或闭权重的LLM竞争，还介绍了训练、数据集等情况。
不踩点不微调！Figure最新模型盲测30个家庭：首次实现零样本全身泛化
人形机器人公司Figure发布最新端到端具身模型Helix 2.5，在30套未采集训练数据的陌生住宅开展全盲家务测试，验证Index预训练可让模型实现零样本全身泛化，整体成功率56%，远高于对照组的9%，证明人形机器人跨场景迁移的工程可行性。
卖身微软15年后，他带着“工程世界模型”杀回AI牌桌，宣称CAD任务150倍降本、50倍提效
本文报道了曾将创业公司Maluuba卖给微软的创始人Sam Pasupalak，15年后新创Skyfall AI推出号称全球首个“工程世界模型”SKY-001，主攻CAD、BIM领域，宣称实现几十倍降本提效，同时指出目前缺乏第三方验证，成果仍待检验。
文心X1.1三大能力狂飙，海内外实测还挺惊艳！
9日WAVE SUMMIT深度学习开发者2025大会上，文心大模型X1.1发布，事实性、指令遵循、智能体能力显著提升，多项测试表现佳。它能做到知识一致，精准遵循指令，智能体解决问题出色，代码、数学、多模态能力也有进化，得益于迭代式混合强化学习训练框架。
Make SFT Great Again！从SFT到DFT：一权重之差，泛化之跃
大型语言模型的监督微调（SFT）简单高效，但泛化能力弱于强化学习（RL）。本文直击 SFT 核心缺陷，揭示其泛化瓶颈源于隐含的“病态奖励结构”，并提出仅需单行代码修改的动态微调（DFT），实验表明其效果显著。
AI证伪百年数学猜想被打假！Lean证明惊现漏洞，哥大教授破防了
OpenAI新推理模型取得十项数学进展，如证明非Sofic群存在性等。哥伦比亚大学副教授Henry Yuen对其量子并行重复定理证明既兴奋又失望，因证明有AI味且难理解。此外，Lean证伪科拉兹猜想被指利用内核漏洞，专家提醒Lean验证有局限。
突发！Anthropic宣布Fable 5.1仅用一条提示词突破粒子物理“九圈”难题
本文报道Anthropic团队用搭载Fable 5.1的Claude Science平台，仅靠一句提示词，让AI自主完成粒子物理领域卡壳多年的N=4超杨-米尔斯理论九圈散射振幅计算，结果经原纪录保持者验证正确，总成本仅千余美元，展现了AI在科研领域的突破能力。
突发：DeepSeek Harness出桌面版了！
本文来自机器之心，爆料DeepSeek Harness流出未官宣官方桌面客户端，实测可正常使用，介绍了其界面、多种工作模式与内置插件，该版本为官方候选测试版，降低了普通用户使用门槛。