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

X-Tree：将可复用经验标记化以实现高效智能体泛化

👍 53

用类BPE方法从轨迹中零LLM调用挖掘技能树，并以数据、奖励、上下文三种方式注入智能体训练

Sitao Cheng, Xunjian Yin, Zhiyuan Sun, Yuxuan Li, Ruiwen Zhou, Xiangru Jian,... 2026-10-02
LLM智能体 奖励塑形 层次化技能学习 强化学习 经验复用
✅ 已总结
详情 →

视频生成模型的后训练与对齐综述

👍 20

首篇系统梳理视频生成后训练与对齐的综述：四族方法、数据基准与开放挑战

Chaoyu Li, Xiaoyi Gu, Yogesh Kulkarni, Eun Woo Im, Mohammadmahdi Honarmand,... 2026-10-02
偏好优化 后训练 对齐 强化学习 扩散模型
✅ 已总结
详情 →

CorrGRPO：面向多奖励学习的相关性归一化 GRPO

👍 18

用皮尔逊相关系数替代协方差做归一化，让大尺度奖励不再主导多奖励 GRPO 的优势估计

Wenbin Hu, Huihao Jing, Haochen Shi, Yuxuan Liu, Haoran Li, Yangqiu Song 2026-10-02
Agent 安全 GRPO LLM 训练 多奖励学习 强化学习
✅ 已总结
详情 →

OmniSeek：面向多轮音视频推理的原生工具集成

👍 11

将全模态大模型改造成主动取证智能体，多轮检索音视频证据并强化双模态依赖

Haibo Wang, Jiteng Mu, Jialu Li, Jingru Yi, Yuanjun Xiong, Jianming Zhang,... 2026-10-02
全模态大模型 多轮推理 强化学习 数据合成 智能体工具调用
✅ 已总结
详情 →

虚假前沿:自进化搜索代理中共谋作弊的诊断与缓解

👍 149

自进化搜索代理中出题者与解题者共享错误形成共谋;源级交叉拟合反馈切断回路,七基准平均提升8.8点。

Meijia Chen, Hao Li, Zheng Lu, Hongshan Lin, Junbai Tian, Yichen Liu, Zijun... 2026-10-01
LLM自博弈 交叉拟合 奖励黑客 强化学习 搜索代理
✅ 已总结
详情 →

PivotOPD：学习从多轮智能体的关键错误中恢复

👍 16

在关键错误处施加预防性蒸馏、在其后施加恢复性蒸馏，让多轮智能体学会避免并从关键错误中恢复。

Yinghui He, Yapei Chang, Khushi Bhardwaj, Daniele Molinari, Tugrul Konuk,... 2026-10-01
LLM Agent 在线策略蒸馏 多轮智能体 强化学习 知识蒸馏
✅ 已总结
详情 →

VLA 强化学习的低秩结构

👍 16

RL 在 VLA 的 Timestep 模块留下低秩更新，shift 方向可预测成败并可引导提分

Minjae Oh, Yoonah Park, Jongwon Lim, Yohan Jo 2026-10-01
VLA 参数效率 可解释性 强化学习 机器人操作
✅ 已总结
详情 →

基于项目反应理论的量规奖励（RRT）

👍 8

用项目反应理论把量规判定聚合成奖励，区分同分模式并自适应减少评判调用

Milad Yazdani, Yaser Souri, Xiren Zhou, Pranit Chawla, Dena Shahriari,... 2026-10-01
GRPO LLM-as-Judge RLHF 强化学习 自适应测试
✅ 已总结
详情 →