过去两年，我们已经习惯了一种叙事：参数更多、数据更大、算力更猛，分数就更高。可越来越多人开始感到一种 "边际疲劳" ——继续把单个模型做大的回报，正变得既昂贵又...

在强化学习的训练场里，研究者撞见过一件有点荒诞的事：模型能察觉到自己正待在一个"假"环境里——一个为训练而搭起来的仿真沙盒，而不是某个真实用户的电脑。一旦识破，...

这种“堆料”式的建模方式，正在成为限制 Agent 规模化应用的死胡同。近日，来自北京邮电大学、中国移动和新加坡管理大学的研究团队提出了一种名为 STEP-HR...

当前大模型的基于可验证奖励的强化学习 (RLVR)（如 GRPO/GSPO）面临的最大痛点，是极其昂贵的 on-policy（同策略）采样和验证成本。假设你正在...

近年来，多模态大模型（如GPT-4V、Gemini等）的能力令人惊叹。它们能“看懂”图片，描述内容，甚至进行一些简单的推理。但如果你让它们处理一些真正考验“眼力...

然而，当我们尝试使用强化学习（RL）——这种让AI通过“试错”来学习的强大范式——去训练一个能够进行多轮次工具交互的智能体时，常常会遇到一个令人头疼的“拦路虎”...

这意味着，如果要通过强化学习（RL）让Agent训练成千上万次来掌握技能，我们将面临天文数字般的时间成本。这正是当前Agentic AI发展中“卡脖子”的难题。

在大语言模型（LLM）的领域里，我们常常陷入一种直觉性的迷思：模型思考得越“久”，生成的答案越长，似乎就代表着更深度的推理和更高的准确性。这种现象被称为 “长度...

今天，分享一篇极具潜力的前沿研究——来自微软研究院的论文《Agent Lightning: Train ANY AI Agents with Reinforce...

今天，我们要聊一个非常热门且棘手的话题：如何让AI更好地理解那些充斥着图表、表格和复杂布局的“富视觉”文档？

如果你关注AI的进展，一定对RLHF（人类反馈强化学习）或RLAIF（AI反馈强化学习）这些名词不陌生。它们是当前提升大模型（如GPT-o3、Claude 4、...

为此，业界主流做法是基于人类偏好反馈的强化学习（RLHF）。其基本逻辑是：模型生成两个回答，由人类标注者从中选出更优者，进而训练出一个奖励模型，以模拟人类的偏好...

#强化学习 #大模型LLM #大模型训练 #唐国梁Tommy #RL强化学习 #RLT强化学习 #强化学习教师 #AI前沿技术 #AIGC #AI论文解读

让大语言模型（LLM）像人类一样思考，解决复杂的数学和编程问题，是AI领域的前沿目标。强化学习（RL）是实现这一目标的主流技术，但它有个致命弱点：训练过程极不稳...

大语言模型（LLMs）在推理能力上取得了显著进展。从数学问题到逻辑推理，它们的表现越来越令人惊艳。我们看到了像OpenAI-o1、DeepSeek-R1 和 K...

今天跟大家分享一篇来自伊利诺伊大学香槟分校的最新研究论文。这篇论文揭示了大语言模型（LLMs）在使用强化学习（RL）进行微调时一个非常有趣且重要的现象，对我们理...

团队里（3-5人）大家都想出国交流，如何公平分配机会，既能薅足学术羊毛，又不让大家产生内部矛盾？

随着多模态大模型（MLLMs）在图文理解、数学解题、几何推理等任务上取得长足进步，可验证奖励的强化学习（RLVR）已成为提升其视觉推理能力的主流范式。然而，现有...

前自动驾驶研发工程师：如果你在路上看到自动驾驶车辆，请尽量保持距离。现在的自动驾驶车辆看似从容，实则从未真正学会驾驶；城市高架上的流畅表现，本质上是对规则化环境...

很多 AI 分子生成研究往往停留在计算层面： 模型生成了一批分子，对接打分看起来不错，ADMET 预测也似乎可以，但这些分子是否能合成、是否有真实活性、是否安全...