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 视觉语言模型 世界模型 GRPO 多模态大模型 知识蒸馏 LLM智能体 多智能体系统 智能体 多模态学习 流匹配 具身智能 图像生成 基准评测 代码生成 LLM Agent 检索增强生成 注意力机制 机器人操作 多模态大语言模型 视频理解 可解释性 数学推理 图像编辑 多模态 机器人学习 RLVR 自监督学习 长上下文 后训练 Transformer 工具使用 对比学习 数据合成 视觉-语言-动作模型 推理加速 工具调用 LoRA 多模态推理 RAG 计算机视觉 LLM评估 信息检索 视觉推理 评测基准 高效推理 参数高效微调 扩散语言模型 自蒸馏 综述 Flow Matching 3D重建 模型压缩 自回归生成 持续学习 自回归模型
找到 232 条结果
相关性 | 日期

面向 LLM 智能体的强化世界模型学习

👍 28

用自监督 RL 训练 LLM 成为动作条件的世界模型，提升智能体决策能力

Xiao Yu, Baolin Peng, Ruize Xu, Yelong Shen, Pengcheng He, Suman Nath,... 2026-02-06
GRPO LLM智能体 世界模型 强化学习 自监督学习
✅ 已总结
详情 →

统一框架重新审视 GRPO 中的策略散度度量

👍 2

用 KL3 估计器替代 GRPO 中的对称裁剪，实现有理论保证的非对称近信赖域约束

Qingyuan Wu, Yuhui Wang, Simon Sinong Zhan, Yanning Dai, Shilong Deng, Sarra... 2026-02-06
GRPO 信赖域方法 大语言模型 强化学习 策略优化
✅ 已总结
详情 →

自提示语言模型增强强化学习

👍 31

通过训练时注入自生成提示解决 GRPO 稀疏奖励下的优势崩塌问题

Baohao Liao, Hanze Dong, Xinxing Xu, Christof Monz, Jiang Bian 2026-02-05
GRPO 大语言模型对齐 强化学习 数学推理 策略优化
✅ 已总结
详情 →

你的群组相对优势是有偏的

👍 158

揭示GRPO等群组相对RL算法中优势估计的固有偏差，并提出HA-DW自适应修正方案

Fengkai Yang, Zherui Chen, Xiaohan Wang, Xiaodong Lu, Jiajun Chai, Guojun... 2026-01-19
GRPO LLM推理 优势估计 后训练 强化学习
✅ 已总结
详情 →