分類： 強化學習
- 當非同步 Agentic RL 遇上「舊策略失憶」：重新理解 Off-Policy Correction
- ICML 2026 | 讓多模態大模型學會帶著時間思考：北大與華為團隊開源 TaRO 框架
- 滿分的「差」：Qwen 與復旦大學揭示程式碼代理獎勵設計的結構性困境
- 模型太喜歡作弊了！Cursor首度公開Composer 2強化學習內幕：模型能察覺「虛假環境」，浮點運算不確定性是RL訓練致命隱患
- 神操作：一個7B的小模型，雇了GPT-5打工，然後贏了測試
- 馬爾可夫的幽靈——從預測下一個詞到預測下一步行動
- 為何 agent 訓練總在長程任務上崩潰
- 生成-過濾-控制-重播：LLM強化學習中Rollout策略的全面綜述
- OpenAI 翁家翌：超越梯度，下一個 AI 訓練範式已經浮現？
- Token級精準控生：3B開源模型擊敗GPT-5.4與Claude
- Agent-World：擴展真實世界環境，讓AI代理與環境協同進化！
- 思考不需言語：使用抽象思維鏈實現高效潛在推理
- 代理人式世界建模：基礎、能力、定律與未來展望
- Z Tech｜對話王子涵：離開DeepSeek，我人生的逆向思考
- Autogenesis：一種自我演化的智慧代理人協定
- 深度揭秘！Claude Code 模型 RL 訓練中的獎勵駭客（Reward Hacking）
- 讓思考更精準更長！強化學習新演算法 FIPO 登場
- 合成資料比真實數據更有效？Meta 論文揭示強化學習訓練大模型的突破路徑
- 500 筆種子數據、四個 Agent 自我進化，推理能力提升 10.7%
- SortedRL：大模型 RL 訓練速度提升 50%，訓練效率躍升 18%
- 林俊旸離職後首次發聲！覆盤千問的彎路，指出AI的新路
- 讓 AI 自己「煉數據」！DataChef 開源：用強化學習自動生成 LLM 數據配方
- NVIDIA Nemotron-Cascade 2 技術報告：3B 激活參數奪下 IMO 金牌，重新定義小模型極限
- ICLR 2026 | 大型語言模型的非監督式強化學習能走多遠？清華大學研究團隊提出系統性解答
- 別再迷信結果獎勵了！港中文發現並解決 RL 中的「資訊自鎖」難題！