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

PACT：从信用分配到评论家对齐

👍 28

公理化刻画token级信用并证明唯一性，据此提出评论家对齐训练PACT

Jiayan Fu, Hang Xu, Yong Zhang, Zhaokai Luo, Yao Hu, Dongyan Zhao, Mu Chuan 2026-09-24
Actor-Critic LLM后训练 信用分配 强化学习 理论驱动算法设计
✅ 已总结
详情 →

RULER：面向 SVG 生成的实例感知量规奖励

👍 98

为每条指令生成六项实例感知量规奖励，结合 GRPO 训练 8B 模型，SVG 质量比肩超大基础模型

Hangyu Ran, Yuhao Zheng, Yingying Zhang, Kevin Qinghong Lin, Han Peng 2026-09-23
GRPO SVG 生成 VLM-as-Judge 奖励黑客 强化学习
✅ 已总结
详情 →

迈向大语言模型全流水线 FP8 强化学习

👍 14

发现FP8强化学习全流程的过裁剪失稳根因，提出校准裁剪恢复BF16性能并提速1.5倍

Fanchao Chen, Ziheng Jiang, Ziyun Wei, Zheng Zhong, Du Li, Chi Zhang, Haibin... 2026-09-22
FP8量化 PPO/GRPO 低精度训练 大语言模型 强化学习
✅ 已总结
详情 →