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 1234 条结果
相关性 | 日期

无监督过程奖励模型

👍 21

无需标注或真值验证，用LLM下一token概率自蒸馏训练过程奖励模型

Artyom Gadetsky, Maxim Kodryan, Siba Smarak Panigrahi, Hang Guo, Maria Brbic 2026-05-22
LLM-as-a-Judge 强化学习 推理验证 无监督学习 测试时扩展
✅ 已总结
详情 →

基于变分策略蒸馏的语言反馈学习

👍 11

提出变分策略蒸馏(VPD)框架，通过EM算法让教师与学生协同进化，解决RLVR稀疏奖励问题

Yang Li, Erik Nijkamp, Semih Yavuz, Shafiq Joty 2026-05-21
代码生成 变分推断 大语言模型 强化学习 科学推理
✅ 已总结
详情 →

扩散模型对齐的缝合价值模型

👍 10

通过缝合技术将像素空间奖励模型高效转移到噪声潜在空间，实现快速准确的扩散对齐

Hyojun Go, Hyungjin Chung, Prune Truong, Goutam Bhat, Li Mi, Zhaochong An,... 2026-05-21
价值函数 强化学习 扩散模型 模型缝合 生成模型对齐
✅ 已总结
详情 →

语言模型RLVR中的不可学习现象

👍 4

揭示RLVR训练中存在反直觉的不可学习样例，代表模型表征的根本性缺陷。

Yulin Chen, He He, Chen Zhao 2026-05-21
RLVR 大语言模型 强化学习 推理能力 梯度分析
✅ 已总结
详情 →

面向能力划分的长上下文强化学习与多任务对齐

👍 58

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 →