#强化学习
主题「强化学习」下共有 108 篇日报。
2026-11-19周四1 篇大语言模型
2026-11-18周三2 篇强化学习语音 AI
2026-11-14周六2 篇AI 智能体物理 AI
2026-11-11周三1 篇强化学习
2026-11-10周二1 篇代码智能体
2026-11-07周六1 篇大语言模型
2026-11-06周五2 篇强化学习
2026-11-05周四3 篇AI 智能体视频大模型推理优化
训练砍成三阶段:Axion 1.0 把智能体基座配方全部公开
Axion 1.0 以两段轻量微调和强化学习训练开放智能体基座,跳过中间预训练、DPO 与 OPD,并公开从数据到代码的完整配方。
来源:Hugging Face Daily Papers生成质量是多模态理解的投影:Kling拆视频生成全链路
Kling报告认为视频生成瓶颈已从渲染转向语义控制,生成质量是多模态理解沿数据、条件化、对齐与评测全链的投影,并围绕共享底座拆解各模块。
来源:Hugging Face Daily Papers别再整条轨迹一起砍短:LoCo用局部偏好决定何时停
从自身数学轨迹学局部停机:LoCo用DPO压缩推理,数学长度降41.7%–45.4%,并迁到代码。
来源:Hugging Face Daily Papers2026-10-29周四2 篇强化学习物理 AI
2026-10-24周六2 篇代码智能体多模态模型
2026-10-23周五2 篇物理 AI强化学习
2026-10-21周三1 篇机器人
2026-10-17周六2 篇AI 智能体强化学习
2026-10-16周五1 篇强化学习
2026-10-15周四3 篇AI 智能体
Agent-Reflex教智能体主动反思:噪声反馈下提升长程工具使用表现
Agent-Reflex三阶段框架激励智能体主动反思与失败恢复,基于Qwen3-8B在长程工具基准上取得明显提升。
来源:Hugging Face Daily Papers稠密进度奖励让长程智能体可训:Tev-Gym 与 Tev-27B
Tev 用潜在世界优先构建 1170 个可验证稠密渐进奖励环境,PPRS 转为逐步奖励,Tev-27B 在 ALE-CM 的 Pass@5 上匹配 GPT-6 Astra 与 Claude Opus 5。
来源:Hugging Face Daily Papers城市级三维定位不必先提候选:Urbex 把它做成主动空间搜索
Urbex 将城市级三维定位从候选排序改写为视觉语言模型智能体的主动空间搜索,在 CityRefer 上报告更好的命中与交并比,并支持无真实框候选。
来源:Hugging Face Daily Papers2026-10-10周六1 篇强化学习
2026-10-09周五1 篇强化学习
2026-10-08周四2 篇强化学习
2026-10-06周二1 篇大语言模型
2026-10-03周六2 篇强化学习物理 AI
2026-10-02周五2 篇AI 智能体强化学习
2026-10-01周四1 篇视频大模型
2026-09-30周三1 篇强化学习
2026-09-29周二2 篇大语言模型强化学习
2026-09-26周六3 篇AI 智能体视频大模型
规划别和写答案绑死:IterSynth用滚动摘要做深度搜索
将规划与综合解耦,用滚动摘要作搜索状态,并以RDPO训练。8B模型五项长程深度搜索基准平均50.7,较此前最强不超过8B的智能体高4.2%,也可零样本用于闭源模型。
来源:Hugging Face Daily Papers真机规划当试金石:Qwen用闭环把数据、训练与部署连成合约
该工作提出闭环AI-for-AI框架,以真实手机规划检验长程智能体,并用合约连接数据、训练与部署。
来源:Hugging Face Daily Papers长视频生成卡在剧本:WanPE用反向构建做导演级提示增强
WanPE以3970亿参数在105万视频上做导演级分镜规划,用反向构建与SC-GRPO增强提示,接入Wan3.0后30秒人偏好大幅提升。
来源:Hugging Face Daily Papers2026-09-25周五1 篇强化学习
2026-09-24周四1 篇强化学习
2026-09-23周三1 篇视频大模型
2026-09-13周日2 篇多模态模型AI 智能体
2026-09-10周四1 篇大语言模型
2026-09-08周二1 篇PyTorch
2026-09-05周六2 篇大语言模型代码智能体
2026-09-04周五1 篇大语言模型
2026-09-03周四1 篇大语言模型
2026-09-02周三4 篇视频大模型大语言模型强化学习科研
音画不再分阶段生成:DreamX-Creator以7B模型直出2K视频
DreamX-Creator联合生成同步音频与视频,并通过跨模态注意力、强化学习和单步精炼管线支持2K输出。
来源:Hugging Face Daily Papers规范化下投影即可改进 LoRA:NoRA 提升收敛速度与训练稳定性
NoRA 通过规范化 LoRA 的下投影矩阵改善优化动态,并提供只在初始化阶段执行规范化的轻量方案。
来源:Hugging Face Daily PapersOPD未必在蒸馏教师:低概率词抑制可能才是提升来源
研究发现OPD中的教师监督存在明显噪声,模型提升主要来自抑制低概率词,并据此提出无需教师的熵自适应方法OPSA。
来源:Hugging Face Daily Papers论文可变成科研规划训练场:PaperGym 用评分细则降低答案泄漏
PaperGym 从论文不同章节拆分问题与评分标准,并以自教师和强化学习两阶段训练提升科研计划生成能力。
来源:Hugging Face Daily Papers2026-09-01周二1 篇扩散模型
2026-08-29周六1 篇强化学习
2026-08-28周五2 篇强化学习大语言模型
没有匹配的日报,换个关键词试试。