Appearance
Skip to content
🏷️ 强化学习
共 6 篇文章
腾讯开源OpenSearch-VL：打破多模态AI黑箱垄断，搜索智能体得分提升29%
腾讯混元团队联合UCLA、香港中文大学开源OpenSearch-VL多模态训练方案，将搜索智能体性能提升29%，提供完整开源方案打破AI技术黑箱，为多模态AI研究提供可复现的基础设施。
→
AWS让Nova 2 Lite「自训练」：用LLM当裁判，强化微调比SFT聪明在哪
AWS发布Reinforcement Fine-Tuning（RFT），用LLM当裁判微调Nova 2 Lite，让轻量模型在Agent任务上跑赢Claude Sonnet 4.5。关键不在模型参数，而在奖励函数设计，这是给AI Agent对齐问题提供了一个可复制的工程路径。
→
AWS详解LLM-as-a-judge奖励函数设计：布尔评分比1-10量表更可靠
AWS发布LLM-as-a-judge奖励函数设计指南，对比两种评估模式（布尔评分vs偏好评分），指出布尔评分更可靠。生产级RFT系统每次训练步处理数千次奖励评估，需配合确定性奖励组件。
→
OpenAI模型里「生妖怪」真相：RL奖励信号失控扩散，Nerdy人格是元凶
OpenAI官方披露GPT-5.1到GPT-5.5出现「小妖精」语言习惯（goblin/gremlin比喻）。元凶是「Nerdy」人格奖励信号意外偏爱creature词，RL没有边界——从2.5%对话扩散到全模型。
→
OpenClaw-RL开源狂揽2700星：聊天就让Agent自动进化，无需标注数据
普林斯顿大学开源OpenClaw-RL训练框架，边聊天边让OpenClaw自动学习进化。四异步模块架构、无需标注数据、支持二值强化学习+在线策略蒸馏+混合优化三种方法，越用越聪明。
→
OpenRA-RL开源红警AI训练场：大模型经济满分战斗零分
Hugging Face发布OpenRA-RL，把经典红警改造成Agent训练场。Qwen3 32B上阵测试，经济拉满但战斗归零，暴露了大模型在实时策略游戏中的短板。
→