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 322 条结果
相关性 | 日期

LLM 能否在含噪监督下学习鲁棒推理？

👍 38

首次系统分析 RLVR 噪声标签机制，提出在线标签精炼方法 OLR。

Shenzhi Yang, Guangcheng Zhu, Bowen Song, Sharon Li, Haobo Wang, Xing Zheng,... 2026-04-07
GRPO RLVR 噪声标签学习 强化学习 推理大模型
✅ 已总结
详情 →

视频生成强化学习中的流形感知探索方法

👍 34

通过微观精确SDE和宏观双重信任区域，使视频GRPO探索保持在数据流形附近

Mingzhe Zheng, Weijie Kong, Yue Wu, Dengyang Jiang, Yue Ma, Xuanhua He, Bin... 2026-03-24
GRPO 强化学习对齐 扩散模型 流匹配 视频生成
✅ 已总结
详情 →

PivotRL：低计算成本下的高精度智能体后训练

👍 20

通过筛选高方差轮次和功能等价奖励，将SFT轨迹转化为高效RL训练，实现4倍计算节省同时保持OOD泛化

Junkeun Yi, Damon Mosk-Aoyama, Baihe Huang, Ritu Gala, Charles Wang, Sugam... 2026-03-24
GRPO 后训练 大语言模型 工具调用 强化学习
✅ 已总结
详情 →

AI可以学会科学品味

👍 316

用大规模社区反馈强化学习训练AI判断和提出高影响力研究想法

Jingqi Tong, Mingzhe Li, Hangcheng Li, Yongzhuo Yang, Yurong Mou, Weijie Ma,... 2026-03-17
GRPO 偏好学习 奖励模型 强化学习 科学智能体
✅ 已总结
详情 →