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

基于因子化世界状态的奖励预测

👍 2

通过将观测分解为对象-属性结构，实现零样本跨域奖励预测

Yijun Shen, Delong Chen, Xianming Hu, Jiaming Mi, Hongbo Zhao, Kai Zhang,... 2026-03-11
世界模型 大语言模型 奖励预测 强化学习 智能体规划
✅ 已总结
详情 →

无监督 RLVR 能将 LLM 训练推多远？

👍 59

揭示内在奖励的分布锐化机制与不可避免的崩溃，提出外部奖励作为可扩展替代路径

Bingxiang He, Yuxin Zuo, Zeyuan Liu, Shangziqi Zhao, Zixuan Fu, Junlin Yang,... 2026-03-10
LLM推理 RLVR 奖励工程 强化学习 无监督学习
✅ 已总结
详情 →

稳定扩散语言模型的强化学习训练

👍 3

提出StableDRL，通过无条件裁剪和自归一化解决dLLM强化学习中的奖励崩溃问题

Jianyuan Zhong, Kaibo Wang, Ding Ding, Zijin Feng, Haoli Bai, Yang Xiang,... 2026-03-09
GRPO 后训练优化 强化学习 扩散语言模型 训练稳定性
✅ 已总结
详情 →