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

基于项目反应理论的量规奖励（RRT）

👍 8

用项目反应理论把量规判定聚合成奖励，区分同分模式并自适应减少评判调用

Milad Yazdani, Yaser Souri, Xiren Zhou, Pranit Chawla, Dena Shahriari,... 2026-10-01
GRPO LLM-as-Judge RLHF 强化学习 自适应测试
✅ 已总结
详情 →

交错强化学习驱动的统一模型原生反思学习

👍 41

用整轨迹强化学习让统一多模态模型学会检查、诊断并修复自己生成的图像

Yijia Fan, Ziqi Huang, Zhongang Cai, Yan Li, Zimo Wen, Wanqi Yin, Haiwen... 2026-09-29
Flow Matching GRPO 多轮图像修复 强化学习 统一多模态模型
✅ 已总结
详情 →

程序验证的视觉语言模型自进化

👍 10

用固定程序在结构化解析上算出答案，以逐断言校验取代多数投票，让 VLM 可靠自进化

Ahmed Heakl, Sungik Choi, Moontae Lee, Salman Khan 2026-09-29
GRPO 可验证奖励 场景图解析 数据合成 自进化
✅ 已总结
详情 →

RULER：面向 SVG 生成的实例感知量规奖励

👍 98

为每条指令生成六项实例感知量规奖励，结合 GRPO 训练 8B 模型，SVG 质量比肩超大基础模型

Hangyu Ran, Yuhao Zheng, Yingying Zhang, Kevin Qinghong Lin, Han Peng 2026-09-23
GRPO SVG 生成 VLM-as-Judge 奖励黑客 强化学习
✅ 已总结
详情 →