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

ReTerm：自改进终端智能体的错误恢复训练

👍 16

让终端智能体从自身失败轨迹学习恢复，SFT冷启动加在线RL实现自我改进。

Wei Xie, Kaituo Feng, Shiming Fu, Yong Liu, Xiangyu Yue, Shuangjia Zheng 2026-10-14
GRPO 强化学习 恢复训练 终端智能体 自我纠错
✅ 已总结
详情 →

CorrGRPO：面向多奖励学习的相关性归一化 GRPO

👍 18

用皮尔逊相关系数替代协方差做归一化，让大尺度奖励不再主导多奖励 GRPO 的优势估计

Wenbin Hu, Huihao Jing, Haochen Shi, Yuxuan Liu, Haoran Li, Yangqiu Song 2026-10-02
Agent 安全 GRPO LLM 训练 多奖励学习 强化学习
✅ 已总结
详情 →