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

面向在策略蒸馏的稳定优势融合

👍 27

提出SAF四阶段流水线融合GRPO与OPD优势，避免熵坍塌并稳定提升性能。

Yifan Ding, Xincheng Wei, Yoshua Y. Li, Ziheng Li, Yuquan Lu, Siyu Zhang,... 2026-08-03
GRPO RLVR 强化学习 熵坍塌 知识蒸馏
✅ 已总结
详情 →

MemHarness：让智能体重构而非回放记忆

👍 17

用统一策略在行动前依据当前状态重构检索经验，GRPO 端到端训练

Rong Wu, Daocheng Fu, Licheng Wen, Xuemeng Yang, Shu Zou, Jianbiao Mei,... 2026-07-31
GRPO LLM智能体 POMDP 强化学习 经验重构
✅ 已总结
详情 →

用于代码优化的强化学习

👍 13

让RL真正学会写更快的正确代码：从测试、沙箱、奖励到GRPO全链路改造。

Pierre Chambon, Kunhao Zheng, Juliette Decugis, Benoit Sagot, Gabriel Synnaeve 2026-07-29
GRPO RLVR 代码优化 强化学习 竞赛编程
✅ 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 →