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 76 条结果
相关性 | 日期

面向能力划分的长上下文强化学习与多任务对齐

👍 59

用 9 类任务、9 种奖励的 23K RLVR 数据集和 TMN-Reweight 多任务优化算法，让 30B 模型长上下文能力逼近 R1-0528。

Minxuan Lv, Tiehua Mei, Tanlong Du, Junmin Chen, Zhenpeng Su, Ziyang Chen,... 2026-05-20
GRPO RLVR 后训练 多任务学习 强化学习
✅ 已总结
详情 →

基于评分标准的强化学习中的奖励黑客行为

👍 5

解耦评分标准 RL 中验证器错误与评分标准设计缺陷两类奖励黑客，给出无需外部评审的自内化差距早停信号。

Anas Mahmoud, MohammadHossein Rezaei, Zihao Wang, Anisha Gunjal, Bing Liu,... 2026-05-13
LLM 评审 医疗 AI 后训练 奖励黑客 强化学习
✅ 已总结
详情 →

面向视频生成的系统化后训练框架

👍 2

四阶段流水线（SFT+GRPO+提示增强+自回归蒸馏）弥合视频扩散模型预训练与部署差距。

Zeyue Xue, Siming Fu, Jie Huang, Shuai Lu, Haoran Li, Yijun Liu, Yuming Li,... 2026-04-29
GRPO RLHF 后训练 扩散模型 自回归蒸馏
✅ 已总结
详情 →

PivotRL：低计算成本下的高精度智能体后训练

👍 19

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 →