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 LLM智能体 知识蒸馏 多智能体系统 智能体 流匹配 具身智能 多模态学习 基准评测 图像生成 代码生成 LLM Agent 检索增强生成 机器人操作 注意力机制 可解释性 多模态大语言模型 视频理解 数学推理 图像编辑 RLVR 多模态 机器人学习 长上下文 自监督学习 后训练 对比学习 Transformer 数据合成 工具使用 视觉-语言-动作模型 推理加速 LoRA 多模态推理 工具调用 LLM评估 高效推理 信息检索 评测基准 RAG 计算机视觉 参数高效微调 扩散语言模型 视觉推理 自蒸馏 综述 3D重建 Flow Matching 模型压缩 自回归生成 持续学习 自回归模型
找到 999 条结果
相关性 | 日期

多模态过程奖励模型的训练数据效率研究

👍 80

提出BIS评分筛选MPRM训练rollout，10%数据即可匹配全量性能

Jinyuan Li, Chengsong Huang, Langlin Huang, Shaoyang Xu, Haolin Liu, Wenxuan... 2026-02-05
多模态大语言模型 强化学习 数据选择 视觉推理 过程奖励模型
✅ 已总结
详情 →

重新思考大语言模型强化学习中的信赖域

👍 38

用散度约束替换PPO的比率裁剪，解决LLM强化学习中训练不稳定和效率低下的问题

Penghui Qi, Xiangxin Zhou, Zichen Liu, Tianyu Pang, Chao Du, Min Lin, Wee Sun Lee 2026-02-05
PPO RLHF 信赖域优化 大语言模型微调 强化学习
✅ 已总结
详情 →

自提示语言模型增强强化学习

👍 31

通过训练时注入自生成提示解决 GRPO 稀疏奖励下的优势崩塌问题

Baohao Liao, Hanze Dong, Xinxing Xu, Christof Monz, Jiang Bian 2026-02-05
GRPO 大语言模型对齐 强化学习 数学推理 策略优化
✅ 已总结
详情 →

面向通用LLM推理的基于似然的奖励设计

👍 8

对数概率奖励在可验证和不可验证领域均为CoT训练提供统一信号

Ariel Kwiatkowski, Natasha Butt, Ismail Labiad, Julia Kempe, Yann Ollivier 2026-02-05
大语言模型 奖励设计 强化学习 推理优化 链式思维
✅ 已总结
详情 →

SWE-World：在无Docker环境中构建软件工程智能体

👍 41

用LLM学习的环境模拟器替代Docker容器，实现无物理执行的软件工程智能体训练与推理

Shuang Sun, Huatong Song, Lisheng Huang, Jinhao Jiang, Ran Le, Zhihao Lv,... 2026-02-04
Docker-free 强化学习 测试时缩放 环境模拟 软件工程智能体
✅ 已总结
详情 →

面向视觉生成的统一个性化奖励模型

👍 20

提出 UnifiedReward-Flex，通过上下文自适应层次化推理动态构建个性化奖励模型。

Yibin Wang, Yuhang Zang, Feng Han, Jiazi Bu, Yujie Zhou, Cheng Jin, Jiaqi Wang 2026-02-04
偏好优化 多模态 奖励模型 强化学习 视觉生成
✅ 已总结
详情 →

WideSeek：通过多智能体扩展推进广域研究

👍 17

提出广域研究范式，用动态多智能体架构和端到端RL解决大规模并行信息检索任务

Ziyang Huang, Haolin Ren, Xiaowei Yuan, Jiawei Wang, Zhongtao Jiang, Kun Xu,... 2026-02-04
Agent优化 信息检索 多智能体系统 强化学习 知识图谱
✅ 已总结
详情 →