分類： 強化學習
- 錯越多學越快！「軌跡重寫」技術讓 AI 智能體從失敗中創造完美經驗！
- 捨棄人工標註！華人團隊提出多模態大模型自我演化演算法
- 首個多輪LLM路由器問世：Router-R1讓大型模型學會「思考–路由–聚合」
- 普林斯頓陳丹琦組新作：RLHF難支撐，RLVR有邊界？RLMT開闢第三條路
- Agentic Coding表現創新高，全新KAT系列模型強力稱霸SWE-Bench
- 大模型訓練新突破！Meta提出LSP：無數據也能實現能力飛升
- 微軟提出 GRPO-RoC：軌跡品質過濾是代理式強化學習的關鍵
- 破除大型語言模型強化學習訓練中的「熵」詛咒，讓模型學會穩定成長！
- 史丹佛提出新強化學習範式，讓3B模型智能體超越Claude、GPT-4
- 字節 Seed 提出 TreePO：以樹狀結構節省近半 GPU 成本，同時維持更穩定的性能
- 微軟提出rStar2-Agent：「更聰明地思考」遠比單純地「更長時間地思考」更有效率、更高效
- 橫掃數學榜的LLM，卻忘了如何聊天？CMU等揭示SFT與RL的驚人差異！
- 強化學習框架的演進與發展趨勢
- ARPO：智能體強化策略優化，讓Agent在關鍵時刻多探索一步
- RAG 革新！Graph-R1：首個由強化學習驅動的圖推理代理
- 回顧Qwen3廢棄的混合推理模式
- 對喔！為什麼語言模型不能直接輸出答案與其置信度呢？
- DeepSeek-GRPO重要性權重設計錯誤？詳解Qwen3新強化學習演算法GSPO
- 阿里巴巴深夜開源「王牌」Agent！硬槓OpenAI，性能全面超越SOTA！
- 強化學習（RL）規模化王牌！DeepSWE 開源 AI 代理登上榜首，訓練方法與權重全面公開
- 清華大學研究：再次翻轉？證實強化學習並未真正提升基礎模型推論能力！
- 清華等提出 Absolute Zero 自博弈大型模型，完全零資料訓練仍登頂多項任務
- AGI理論比較：主動推論、強化學習、控制論、貝氏腦、效用決策、有限理性、情感動機、動態體內平衡
- 大型語言模型（LLM）已能自我更新權重，自適應、知識整合能力大幅提升，AI 醒了？
- NVIDIA（ProRL）｜強化學習究竟能否提升大型語言模型的推理上限？