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 85 条结果
相关性 | 日期

信任区域策略蒸馏

👍 23

通过动态构造近端教师解决OPD优化不稳定性，零计算开销实现数学推理性能大幅提升

Zhengpeng Xie, Li Lyna Zhang, Zeke Xie, Mao Yang 2026-07-13
信任区域方法 大语言模型 强化学习 数学推理 知识蒸馏
✅ 已总结
详情 →

TREK：蒸馏以探索、强化以精炼

👍 8

TREK扩展GRPO探索支持，提升数学和Agent性能

Yuanda Xu, Zhengze Zhou, Kayhan Behdin, Jelena Markovic-Voronov, Hejian... 2026-07-08
Agent 大语言模型 强化学习 数学推理 知识蒸馏
✅ 已总结
详情 →

反馈对齐在自蒸馏中的作用

👍 3

研究反馈结构对自蒸馏效果的影响，发现步骤对齐的反馈显著优于二值奖励和参考解

Semih Kara, Oğuzhan Ersoy 2026-06-10
反馈设计 强化学习 数学推理 自蒸馏 过程监督
✅ 已总结
详情 →

ESPO: 提前停止近端策略优化

👍 20

ESPO通过提前终止失败轨迹节省20%+token并提升LLM推理性能

Zihang Li, Rui Zhou, Yingcheng Shi, Wenhan Yu, Zhewen Tan, Zixiang Liu,... 2026-06-02
大语言模型 强化学习 数学推理 策略优化 训练效率
✅ 已总结
详情 →