「AI强化学习」共找到 10621 篇相关文章
获NVIDIA致谢：悟空Agent的实践、复盘与迭代
本文以悟空Agent获NVIDIA致谢为切入点，介绍多智能体架构闭环及实战挑战，如上下文断流、调度失衡。还阐述架构设计、迭代优化、数据飞轮体系，指出AI infra存在安全隐患，强调安全融入业务的重要性。
港科提出新算法革新大模型推理范式：随机策略估值竟成LLM数学推理「神操作」
香港科技大学联合团队提出 ROVER 算法，跳过传统强化学习推理的策略迭代循环。它在多项数学推理基准上超越现有方法，在高难度任务中大幅提高 pass@1 和 pass@256，且提升推理多样性，更轻量。
新易盛股价飙30倍，实控人先跑了
新易盛三年股价翻近30倍，被称“牛市旗手”。但实控人高管却不断减持，高光荣还遭监管处罚。同时公司应收账款、存货膨胀，现金流有缺口，且九成收入来自海外，“国内AI红利”故事存疑。
黄仁勋中国现场直击！假如有一个「数字黄仁勋」，我希望我们一起变聪明
英伟达CEO黄仁勋再访北京，接受新智元等媒体采访。他盛赞华为优秀，评价DeepSeek等模型出色，还谈及AGI、数字分身、出口管制等话题。此外，H20芯片解禁重售释放政策信号，有望实现中美科技企业合作共赢。
kimi 的RL end2end ON LLM
文章分享Kimi Researcher背后技术思考，采用端到端强化学习打造大模型Agent。对比传统方法，凸显其灵活通用、能力上限高、可扩展优势。还展示其在考试榜单成绩提升及智能“涌现”，介绍多应用场景。
Reasoning模型可以Self-Train！
当前大模型依赖人类标注数据，成本高且扩展难。论文探讨模型自我纠错、自主进化可能，提出自我奖励训练（SRT），用投票共识代替人类标注。在数学数据集上有效果，但高难度数据集出现问题，作者给出解决办法并开源代码。
Multi-Agent 的灵活编排之路
文章从Copilot 3.0架构规划模块出发，结合DeepSeek R1强化学习训练实践，探讨多智能体架构下大模型编排智能体解决问题。分析Copilot 2.0局限并介绍3.0升级，指出难点，展示效果对比及解决方案。
RL训练总崩溃？R1-Reward稳定解锁奖励模型Long-Cot推理能力
多模态奖励模型对提升多模态大语言模型表现至关重要，但强化学习在奖励建模应用有挑战。快手等团队提出R1 - Reward，解决训练不稳定等问题，在基准上超SOTA模型，还在快手业务场景成功应用。
乐享以太大模型，让中国具身智能坐上定义席
本文围绕乐享科技推出的以太大模型展开，指出当前具身智能主流VLA、WAM路线均存在固有缺陷，以太大模型改用能量驱动的求解范式，经开放烧烤直播测试验证其能力，开辟Physical AI新路径，推动中国具身智能突围。
The Batch: 948 | GLM 5.1：面向长时任务的能力提升
Z.ai将旗舰开源权重大语言模型升级为GLM - 5.1，可在单个任务自主运行八小时。它专为编程和智能体任务设计，有推理等特性，在多榜单表现佳，但推理和数学能力落后闭源模型，价格有提升。