「过程监督强化学习」共找到 1072 篇相关文章
哈工大、中科院等利用模型“潜意识”提高推理模型效率，0.6B撬动复杂推理
哈工大、中科院等提出TrajSelector框架，让推理模型‘倾听内心独白’。它利用模型隐藏状态，用0.6B轻量级验证器实现比7B裁判模型更精准选择，在数学竞赛基准测试中表现出色，还能离线筛选数据，但在开放域问答有难题。
预训练就学会思考！字节、北大等用14亿参数，撬动百亿模型推理能力
字节、北大等联合发布Ouro模型，用14亿参数实现百亿级模型推理能力。它在预训练阶段学会循环思考，通过三大创新构建推理能力，在基准测试中表现优异，实现参数效率提升，是潜在推理范式的胜利。
CMAME | 香港理工大学周原野、周恺等：面向清晰几何边界工程优化的拉格朗日拓扑物理信息神经网络
近年来物理信息神经网络引入拓扑优化领域，但结果边界弥散。本文提出“拉格朗日拓扑物理信息神经网络”框架，将显式可变形基础几何体嵌入可微分物理求解器，提升了优化结果的可制造性与精度。
3B Image Captioning小钢炮重磅来袭，性能比肩Qwen2.5-VL-72B
文章推荐Dense Image Captioning新技术CapRL，它首次将DeepSeek - R1强化学习法用于image captioning，创新定义reward。训练的CapRL - 3B模型性能比肩Qwen2.5 - VL - 72B，解决了reward设计难题，已开源相关内容。
让LLM扔块石头，它居然造了个投石机
港中大研究团队带来《Agentic Design of Compositional Machines》，推出BesiegeField平台，支持并行实验和大模型‘自我进化’。它将机械设计转为语言生成任务，通过闭环训练提升模型能力，多个模型测试表现良好。
用中等难度prompt做高效post training
近年来，RL后训练在LLM发展中至关重要，但传统方法效率低。本文提出PCL轻量级算法，通过动态选中等难度提示提升LLM后训练效率，经多基准实验验证其优越性，也指出方法局限与未来方向。
从6人日到1人日：一次AI驱动的客户端需求开发实战
文章分享AI驱动客户端需求开发实战，从实践活动汇总AI Coding问题，给出解决建议。以穿搭动态框架需求为例展示开发过程，对比效率提升300%，还探讨需求拆分、Prompt编写等问题，介绍业务开发范式。
GPT-6或将比GPT-5强10倍！奥特曼揭秘ChatGPT如何诞生
奥特曼在访谈中表示ChatGPT从1到10的艰难已过，未来从10到100或更易。他还探讨AI变革、企业洗牌、工作替代等问题，揭秘ChatGPT诞生过程，阐述OpenAI愿景及AI普惠方案。
奥特曼和量子计算奠基人讨论GPT-8
奥特曼在节目中与量子计算奠基人戴维・多伊奇就AI能否发展成有意识的超级智能产生分歧。奥特曼搬出GPT - 8举例试图说服对方，引发网友对AGI定义标准的讨论。
Megatron 1F1B流水线并行中的负载不均衡问题研究
文章分析Megatron 1F1B流水线并行中负载不均衡问题。通过实验发现通信时间‘一短一长’，原因是最后一个Stage计算慢致不同步，额外计算引发通信延迟，还梳理了流水线各阶段执行过程。