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 76 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 →

LLM 推理能耗的 SIMPLE 定律

👍 10

4系数闭式定律预测LLM推理每token能耗，误差较SOTA低3.1–3.5倍，无需逐模型校准

Hiari Pizzini Cavagna, Andrea Proia, Daniele Cesarini, Zeynep Kiziltan,... 2026-11-05
Green AI LLM推理 Token经济学 注意力机制 能耗建模
✅ 已总结
详情 →

在推理型大语言模型中摊销序列实验设计

👍 9

用信息增益奖励做强化学习，把序列贝叶斯实验设计摊销进 LLM 的推理过程，习得可泛化的提问策略

Anita Kriz, Antonin Berthon, Nicolás Astorga, Mihaela van der Schaar 2026-10-29
LLM推理 RLVR 主动信息获取 信息增益 强化学习
✅ 已总结
详情 →

函数空间时序自蒸馏策略优化（FSPO）

👍 25

用稀疏历史分布缓存替代持久教师模型，实现单策略、时序稳定的自蒸馏强化学习

Aryan Das, Arnab Bhattacharya, Vinay Kumar Verma 2026-10-26
LLM推理 RLVR后训练 内存效率 函数空间正则化 持续学习
✅ 已总结
详情 →

TPPO：面向语言模型推理的追踪价值 PPO

👍 79

用 log-odds 累积参数化重构 PPO 评论家，显式建模价值演化，推理提升 7-10 分

Futing Wang, Chenxi Li, Jianhao Yan, Yun Luo, Zhi Wang, Yizhuo Li, Runzhe... 2026-10-14
LLM推理 PPO 价值函数 信用分配 强化学习
✅ 已总结
详情 →

半事实信用增强策略优化

👍 14

用半事实扰动下的token概率稳定性修正GRPO优势，实现细粒度信用分配，提升推理与鲁棒性

Junshu Pan, Zhizhang Fu, Shulin Huang, Yiran Ding, Zifan Cheng, Wenqi Shao,... 2026-10-08
LLM推理 RLVR 信用分配 强化学习 鲁棒性
✅ 已总结
详情 →