标签： 全部 强化学习 扩散模型 大语言模型 基准测试 视频生成 LLM智能体 世界模型 视觉语言模型 GRPO 多模态大模型 知识蒸馏 基准评测 具身智能 流匹配 机器人操作 多智能体系统 智能体 LLM Agent 可解释性 图像生成 代码生成 多模态学习 检索增强生成 注意力机制 RLVR 后训练 视频理解 机器人学习 长上下文 多模态 数学推理 图像编辑 VLA 数据合成 多模态大语言模型 推理加速 高效推理 评测基准 自监督学习 工具调用 对比学习 扩散语言模型 视觉-语言-动作模型 参数高效微调 Transformer 工具使用 LoRA 持续学习 LLM评估 自蒸馏 多模态推理 RAG 模仿学习 综述 LLM推理 信息检索 信用分配 在线策略蒸馏 模型压缩 合成数据
找到 322 条结果
相关性 | 日期

匹配算力视角下GRPO稠密奖励的真实代价评估

👍 3

按token与GPU时对齐预算后稠密奖励全线落败，按预测难度选提示词反而带来可复现小增益

Vikash Singh, Weicong Chen, Debargha Ganguly, Yanyan Zhang, Mohsen Hariri,... 2026-11-11
GRPO LLM推理 RLVR 提示词选择 评估方法学
✅ 已总结
详情 →

面向可泛化智能体强化学习的Harness扩展

👍 15

以结构化Harness多样性作智能体RL新缩放维度，显著提升跨harness泛化

Fei Bai, Huatong Song, Chuan Hao, Ran Tao, Jian Yang, Bryan Dai, Wayne Xin... 2026-10-22
GRPO Harness设计 PPO 智能体强化学习 正交设计
✅ 已总结
详情 →