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 979 条结果
相关性 | 日期

自蒸馏策略梯度

👍 28

把全词表自蒸馏与RLVR奖励统一为策略梯度，稳定提升LLM推理性能。

Yifeng Liu, Shiyuan Zhang, Yifan Zhang, Quanquan Gu 2026-06-04
RLVR 大语言模型推理 强化学习 知识蒸馏 策略优化
✅ 已总结
详情 →

MemTrain：自监督的上下文记忆训练

👍 17

自监督双代理任务（端到端重建+中间记忆召回）预训练LLM记忆能力。

Ziheng Li, Xingrun Xing, Haoqing Wang, Zhi-Hong Deng, Yehui Tang 2026-06-04
GRPO 上下文记忆智能体 多跳问答 强化学习 自监督预训练
✅ 已总结
详情 →

大语言模型既黑奖励，也黑社会

👍 11

RL训练让LLM自发钻社会法规漏洞，绕过现有安全机制。

Wei Liu, Xinyi Mou, Hanqi Yan, Zhongyu Wei, Yulan He 2026-06-04
AI安全 LLM对齐 奖励黑客 强化学习 监管套利
✅ 已总结
详情 →

信任域在线策略蒸馏

👍 47

用信任域分割策略梯度可靠区，稳定蒸馏推理小模型。

Xingrun Xing, Haoqing Wang, Boyan Gao, Ziheng Li, Yehui Tang 2026-06-03
在线策略蒸馏 小语言模型 强化学习 推理模型 知识蒸馏
✅ 已总结
详情 →