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 数学推理 多模态 图像编辑 VLA 数据合成 多模态大语言模型 推理加速 评测基准 高效推理 自监督学习 工具调用 扩散语言模型 对比学习 视觉-语言-动作模型 参数高效微调 Transformer 工具使用 LoRA LLM评估 持续学习 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 1236 条结果
相关性 | 日期

面向语言模型的特权信息蒸馏

👍 29

利用训练时特权信息蒸馏前沿模型，无需Chain-of-Thought

Emiliano Penaloza, Dheeraj Vattikonda, Nicolas Gontier, Alexandre Lacoste,... 2026-02-06
强化学习 智能体 特权信息 知识蒸馏 语言模型
✅ 已总结
详情 →

面向 LLM 智能体的强化世界模型学习

👍 28

用自监督 RL 训练 LLM 成为动作条件的世界模型，提升智能体决策能力

Xiao Yu, Baolin Peng, Ruize Xu, Yelong Shen, Pengcheng He, Suman Nath,... 2026-02-06
GRPO LLM智能体 世界模型 强化学习 自监督学习
✅ 已总结
详情 →

ProAct：交互环境中的智能体前瞻推理

👍 27

通过蒸馏MCTS搜索树和蒙特卡洛评论家，让LLM智能体内化准确的前瞻推理能力

Yangbin Yu, Mingyu Yang, Junyou Li, Yiming Gao, Feiyu Liu, Yijun Yang,... 2026-02-06
大语言模型 强化学习 推理蒸馏 智能体 游戏AI
✅ 已总结
详情 →

LatentMem：为多智能体系统定制潜在记忆

👍 17

提出可学习的潜在记忆框架，通过角色感知的潜变量优化解决多智能体记忆同质化和信息过载问题

Muxin Fu, Guibin Zhang, Xiangyuan Xue, Yafu Li, Zefeng He, Siyuan Huang,... 2026-02-06
多智能体系统 大语言模型 强化学习 潜在表示 记忆机制
✅ 已总结
详情 →

多任务GRPO：跨任务的可靠LLM推理

👍 14

提出MT-GRPO算法，通过自适应任务加权和比例保持采样实现多任务推理的均衡优化

Shyam Sundhar Ramesh, Xiaotong Ji, Matthieu Zimmer, Sangwoong Yoon, Zhiyong... 2026-02-06
后训练 多任务学习 大语言模型 强化学习 推理能力
✅ 已总结
详情 →

统一框架重新审视 GRPO 中的策略散度度量

👍 2

用 KL3 估计器替代 GRPO 中的对称裁剪，实现有理论保证的非对称近信赖域约束

Qingyuan Wu, Yuhui Wang, Simon Sinong Zhan, Yanning Dai, Shilong Deng, Sarra... 2026-02-06
GRPO 信赖域方法 大语言模型 强化学习 策略优化
✅ 已总结
详情 →

多模态过程奖励模型的训练数据效率研究

👍 60

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

👍 35

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 →