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 多智能体系统 多模态学习 智能体 知识蒸馏 图像生成 代码生成 LLM智能体 注意力机制 LLM Agent 具身智能 流匹配 多模态大语言模型 视频理解 数学推理 检索增强生成 可解释性 图像编辑 多模态 机器人学习 机器人操作 自监督学习 工具使用 Transformer 基准评测 对比学习 长上下文 RLVR 多模态推理 计算机视觉 数据合成 LLM评估 信息检索 推理加速 3D重建 扩散语言模型 自回归模型 视觉推理 RAG 参数高效微调 LoRA 视觉-语言-动作模型 Flow Matching 模型压缩 自回归生成 视觉-语言模型 后训练 工具调用 持续学习 高效推理 RLHF 策略优化
找到 48 条结果
相关性 | 日期

通过直接在策略蒸馏实现由弱到强的泛化

👍 103

Direct-OPD：用小模型RL的策略位移当隐式奖励，低成本提升更强的学生模型

Shiyuan Feng, Huan-ang Gao, Haohan Chi, Hanlin Wu, Zhilong Zhang, Zheng... 2026-07-14
后训练 弱到强泛化 强化学习RLVR 知识蒸馏 策略蒸馏
✅ 已总结
详情 →

后训练如何塑造生物推理模型

👍 3

研究后训练阶段对生物推理模型泛化的不同影响

Lukas Fesser, Hanlin Zhang, Michelle M. Li, Eric Wang, Bryan Perozzi,... 2026-06-26
后训练 多模态学习 强化学习 泛化能力 生物推理
✅ 已总结
详情 →

FastMix: 基于梯度下降的快速数据混合优化

👍 3

单代理模型梯度联合优化数据混合比例与模型参数，搜索成本降低550倍

Haoru Tan, Sitong Wu, Yanfeng Chen, Jun Xia, Ruobing Xie, Bin Xia, Xingwu... 2026-06-23
双层优化 后训练 数据混合优化 梯度下降 预训练
✅ 已总结
详情 →

VideoKR：面向知识与推理密集型视频理解

👍 39

首个面向知识与推理密集型视频理解的大规模训练语料库，通过技能导向的QA生成框架和严格质量控制，显著提升模型在知识密集型视频推理任务上的表现

Lin Fu, Zheyuan Yang, Yang Wang, Tingyu Song, Arman Cohan, Yilun Zhao 2026-06-05
后训练 多模态学习 数据集构建 知识密集推理 视频理解
✅ 已总结
详情 →

面向能力划分的长上下文强化学习与多任务对齐

👍 59

用 9 类任务、9 种奖励的 23K RLVR 数据集和 TMN-Reweight 多任务优化算法，让 30B 模型长上下文能力逼近 R1-0528。

Minxuan Lv, Tiehua Mei, Tanlong Du, Junmin Chen, Zhenpeng Su, Ziyang Chen,... 2026-05-20
GRPO RLVR 后训练 多任务学习 强化学习
✅ 已总结
详情 →

基于评分标准的强化学习中的奖励黑客行为

👍 5

解耦评分标准 RL 中验证器错误与评分标准设计缺陷两类奖励黑客，给出无需外部评审的自内化差距早停信号。

Anas Mahmoud, MohammadHossein Rezaei, Zihao Wang, Anisha Gunjal, Bing Liu,... 2026-05-13
LLM 评审 医疗 AI 后训练 奖励黑客 强化学习
✅ 已总结
详情 →