腾讯混元WorldCompass：引入强化学习，突破长视频生成的连贯性瓶颈
腾讯混元团队发布了名为 WorldCompass 的新型强化学习（RL）后训练框架，旨在解决长视界视频世界模型中的连贯性难题。该技术引入群体相对策略优化（GRPO）理念，显著提升了自回归视频生成中的动作跟随能力和视觉质量。通过基于交互信号的...
标签索引 / 第 2 页
强化学习
这个标签下有 22 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
缩放定律走向终结？深度解析为何2026年将成为AI发展的关键瓶颈
本文深入探讨了当前AI领域的核心热点——“缩放定律”是否依然有效。文章指出，虽然大模型厂商对训练数据严格保密，但通过推算发现，2024年末至2025年，以OpenAI o1为代表的“强化学习（RL）缩放”接替了传统的预训练缩放，成为了性能提...
AI强化学习赋能形式化验证：如何训练你的程序验证器
本文深入探讨了将深度强化学习应用于程序验证器的创新方法。文章借鉴类似AlphaZero的搜索算法，介绍了如何训练AI模型在复杂的代码搜索空间中高效寻找漏洞或生成正确性证明。这一突破性尝试旨在解决传统形式化验证成本高昂、门槛极高的问题，对于提...
深度解析国际象棋引擎的“怪异”训练法：LLM研究者的宝贵启示
本文探讨了现代国际象棋引擎（如lc0）采用的非常规训练技术，揭示了其与大模型（LLM）研究的深刻联系。文章指出，一旦具备强大搜索能力的引擎存在，昂贵的强化学习（RL）训练可被“蒸馏”替代，验证了搜索算力的极高价值。更具启发的是，利用SPSA...
拒绝手残：程序员把小游戏变成强化学习环境，策略优化后GitHub开源
一位程序员在体验小游戏《开局托儿所》时，因操作不佳遂发挥职业本能，将游戏转化为“仿真+策略优化”的工程问题。他利用Python构建了基于Gymnasium和PyTorch的模拟环境，通过大量实验分析搜索空间，迭代多种策略，最终将平均分显著提...
技术硬核｜一文读懂LLM强化学习：从传统RL到RLHF的技术映射
本文旨在解决将传统强化学习（RL）概念应用于大语言模型（LLM）时的认知断层。作者指出，LLM中的RLHF本质上是一种特殊的序列生成RL，其“状态”是上下文，“动作”是选择下一个Token，“策略”即模型本身。文章详细对比了传统RL与LLM...
通义发布 AgentJet：面向多智能体系统的新一代强化学习框架
通义团队发布了新一代 LLM-Agent 强化学习平台 AgentJet (Beta)。该框架支持对 AgentScope、LangChain 等技术栈构建的智能体工作流进行微调。AgentJet 专注于 Triple-M 概念，即多轮对话...
Perplexity新技术：1.3秒完成万亿参数模型权重同步
Perplexity发布技术突破，将万亿参数模型（Kimi-K2）的强化学习微调权重同步时间缩短至1.3秒。通过利用RDMA点对点通信技术，该方案实现了从256张训练GPU到128张推理GPU的零拷贝传输。相比传统数分钟级的同步耗时，新方法...
课程学习攻克2048与俄罗斯方块：从脚手架到超人
本文探讨了课程学习（Curriculum Learning）在AI训练中的创新应用，通过逐步增加游戏难度，AI成功破解了2048和俄罗斯方块等经典游戏。研究展示了从基础规则到高级策略的渐进学习路径，揭示了AI如何通过脚手式训练达到超人水平。...
强化学习代码致Intel大小核必死机，AMD无恙
近日，一位开发者发现其强化学习代码在Intel ultra7 265k处理器上运行时必定导致系统崩溃，而在13790F及AMD处理器上则完全正常。问题出现于执行训练脚本train_template.py时，用户已通过多台设备验证。详细步骤包...