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 125 条结果
相关性 | 日期

LLM后训练中删除权重的惊人有效性

👍 5

仅学一个二值掩码删掉不到0.05%权重即可媲美全参微调

Jack Lu, Zhenbang Yang, Mike Lasby, Tejas Pote, Yani Ioannou, Mengye Ren 2026-11-11
LLM后训练 RLVR 剪枝 参数高效微调 持续学习
✅ 已总结
详情 →

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 →

Dory1.0-4B：循环归一化 GPT

👍 12

单检查点可变循环数的4B循环语言模型，以潜空间重复计算以小搏大。

Maxim Fishman, Simeng Sun, Shantanu Acharya, Faisal Ladhak, Brian Chmiel,... 2026-11-04
RLVR nGPT 循环语言模型 推理优化 模型量化
✅ 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 →

语言模型学会改进语言模型（LM2LM）

👍 8

用研究世界模型预测实验增益作 RL 奖励，配合在线校准训练出会提出模型改进的 LLM

Minhua Lin, Zijun Wang, Zewen Liu, Zhaotian Weng, Bing He, Zhan Shi, Benoit... 2026-10-22
RLVR 世界模型 奖励过度优化 强化学习 自动化AI研究
✅ 已总结
详情 →

面向长程智能体强化学习的树感知后验自蒸馏

👍 43

用前缀分支树把稀疏终局奖励蒸馏为有界后验教师，免Critic稳定长程智能体RL训练

Heming Zou, Qi Wang, Yixiu Mao, Yun Qu, Yuyi Guo, Zeyuan Liu, Chenglin Li,... 2026-10-19
RLVR 信用分配 大语言模型智能体 强化学习 策略蒸馏
✅ 已总结
详情 →