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 知识蒸馏 LLM智能体 多智能体系统 智能体 多模态学习 流匹配 具身智能 图像生成 基准评测 代码生成 LLM Agent 检索增强生成 注意力机制 机器人操作 多模态大语言模型 视频理解 可解释性 数学推理 图像编辑 多模态 机器人学习 RLVR 自监督学习 长上下文 后训练 Transformer 工具使用 对比学习 数据合成 视觉-语言-动作模型 推理加速 工具调用 LoRA 多模态推理 RAG 计算机视觉 LLM评估 信息检索 视觉推理 评测基准 高效推理 参数高效微调 扩散语言模型 自蒸馏 综述 Flow Matching 3D重建 模型压缩 自回归生成 持续学习 自回归模型
找到 979 条结果
相关性 | 日期

面向大模型强化学习的预测性散度掩码

👍 10

用散度方向导数重定义信任域方向判据，改进LLM强化学习稳定性。

Xiangxin Zhou, Jiarui Yao, Penghui Qi, Bowen Ping, Jiaqi Tang, Haonan Wang,... 2026-07-24
PPO 信任域 大语言模型 强化学习 策略优化
✅ 已总结
详情 →

SLPO：通过代理策略扩展潜在推理

👍 5

用代理似然把结果奖励RL引入潜在推理，实现潜在测试时扩展

Runyang You, Zhiyuan Liu, Yongqi Li, Wenjie Li 2026-07-23
强化学习 思维链 测试时扩展 潜在推理 策略优化
✅ 已总结
详情 →

ISO：面向 RLVR 的等谱优化栈

👍 8

复用基模型权重奇异谱、仅优化奇异框架的 RLVR 原生优化栈

Hanqing Zhu, Wenyan Cong, Zhizhou Sha, Sagnik Mukherjee, Xinyuan Song, David... 2026-07-22
RLVR 优化器 奇异值分解 强化学习 推理能力
✅ 已总结
详情 →

H2SD：混合后见自蒸馏

👍 7

按轨迹正确性分流的混合自蒸馏框架，统一RLSD稳定优化与OPSD方向纠正。

Qiye Cai, Yichuan Ma, Linyang Li, Peiji Li, Yongkang Chen, Qipeng Guo,... 2026-07-22
信用分配 可验证奖励RLVR 大语言模型推理 强化学习 自蒸馏
✅ 已总结
详情 →

群组熵控制的策略优化

👍 29

用群组熵引导的非对称优势塑形，缓解GRPO多任务训练的探索-利用失衡

Guangran Cheng, Chengqi Lyu, Songyang Gao, Wenwei Zhang, Kai Chen 2026-07-21
GRPO 多任务强化学习 大语言模型对齐 强化学习 策略熵控制
✅ 已总结
详情 →