「可验证过程奖励」共找到 1293 篇相关文章
揭示隐藏联系：RLHF/DPO即对比学习！
大型语言模型输出符合人类价值观是挑战，主流技术RLHF复杂、昂贵且不稳定，DPO简化流程但有训练崩溃问题。论文揭示RLHF/DPO即对比学习，提出MIO算法解决DPO崩溃，实验验证其性能优势。
颠覆搜索引擎，下一代Agentic Deep Research！12家顶尖学术机构联手提出
在信息获取方式变革背景下，12家顶尖机构联合发布论文提出Agentic Deep Research，它由大模型驱动，可自动规划检索路径等，或颠覆传统搜索范式，且有基准成绩和TTS Law支撑，开源生态也在聚焦。
苹果港大终结自回归时代？7B扩散模型发布，AI写代码逻辑彻底颠覆！
苹果联合港大开源扩散大语言模型DiffuCoder，用扩散模型+强化学习策略，性能提升4.4%。研究还提出耦合梯度奖励策略优化方法，建立原生RL训练框架，探究了dLLM的生成机制等问题。
专访AI.Talk赵汗青 - 我不是一个创作者。
文章专访AI.Talk赵汗青，探讨AI虚拟IP YURI爆火背后的故事。赵汗青以构建虚拟人格为目标，借AI.Talk探索，让YURI多领域发展。他还谈到IP构建、商业模式及运营思路等，强调做有溢价之事。
我在哪？要去哪？要怎么去？字节跳动提出Astra双模型架构助力机器人自由导航
当今机器人导航系统在复杂室内环境面临挑战，字节跳动研发创新双模型架构Astra，含Astra - Global与Astra - Local子模型。经实验验证其性能佳，未来有广阔应用前景，但也存在需改进之处。
等了十年，特斯拉Robotaxi终于上线！马斯克：仅需4.2美元一口价
上周日，特斯拉在德克萨斯州奥斯汀启动Robotaxi服务，首批乘客4.2美元一口价。服务限定试运营，覆盖区域受限，车内有安全监控员。目前体验平稳但不成熟，未来能否后发先至待验证。
灵初智能陈源培：一个 00 后的机器人之梦
00 后陈源培是灵初智能联创，本科土木工程专业，大二因比赛对机器人感兴趣。他研究灵巧手，参与开源项目，灵初发布相关模型。他认为强化学习对灵巧手重要，还谈了模型、创业、落地等看法。
Arc 创始人自白：为什么我要豪赌 Dia 浏览器？
Arc和Dia浏览器创始人Josh复盘决策过程。他表示停止Arc开发、转向Dia是深思熟虑的，Arc有不足，而Dia能弥补弯路。还谈及Arc开源问题，认为未来浏览器将变革，看好Dia成为继任者。
DeepSeek-R1发布100天后：全面复盘推理大模型复现研究及未来！
推理语言模型（RLMs）发展显著，DeepSeek - R1发布引发广泛影响且未完全开源。MiroMind等总结其复现研究，关注SFT和RLVR方向，介绍数据构建、方法设计、训练过程细节及实验关键发现。
OpenAI发布GPT‑6 Astra：百万级上下文，主攻编程和复杂办公
9月3日，OpenAI发布GPT - 6 Astra，重点提升电脑操作、软件开发和复杂工作处理能力。它有诸多更新，如电脑操作提速、支持异步工具调用等，但也存在监测难、价格高的问题，实际效果待验证。