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 1234 条结果
相关性 | 日期

ROSS：通过选择性监督从自生成轨迹中再学习

👍 24

把RL训练中被丢弃的历史自生成轨迹变成可复用经验，只对精选片段施加模仿损失

Zhiwei Zhang, Huayu Deng, Fei Zhao, Jiayan Fu, Bin Liang, Kam-Fai Wong, Mu Chuan 2026-09-30
LLM后训练 在线策略蒸馏 强化学习 智能体RL 选择性监督
✅ 已总结
详情 →

EasyPPO：稳定Critic是PPO训练的关键

👍 22

三项改动稳定PPO评论家网络，三任务RLVR全面超越PPO与VAPO

Xuanyi Zhou, Qiuyang Mang, Huanzhi Mao, Dacheng Li, Wenhao Chai, Mayank... 2026-09-30
LLM后训练 PPO RLVR 强化学习 训练稳定性
✅ 已总结
详情 →

Marathoner：超长时程自主智能体

👍 19

以PR任务合成、RFT与后期奖励强化学习，训练9B模型连续执行10小时以上并超越部分闭源模型

Zhang Ruiyang, Ou Jinpeng, Xie Yifan, Zhou Jingang, Pan Lirui, Guo Qingpei,... 2026-09-30
后训练 强化学习 数据合成 智能体 软件工程
✅ 已总结
详情 →

同家族在线策略蒸馏的缩放特性

👍 17

OPD峰值精度可由师生规模与教师分数用幂律提前预测，弱教师能把大模型教得超过自身

Yuntai Bao, Qinfeng Li, Guoqing Jiang, Liwei Chen, Zhiheng Qin, Xuanping Li,... 2026-09-30
在线策略蒸馏 弱到强泛化 强化学习 数学推理 缩放定律
✅ 已总结
详情 →

交错强化学习驱动的统一模型原生反思学习

👍 41

用整轨迹强化学习让统一多模态模型学会检查、诊断并修复自己生成的图像

Yijia Fan, Ziqi Huang, Zhongang Cai, Yan Li, Zimo Wen, Wanqi Yin, Haiwen... 2026-09-29
Flow Matching GRPO 多轮图像修复 强化学习 统一多模态模型
✅ 已总结
详情 →