搜索
Ornith-1.5采用模型自出题、自搭脚手架、自跑轨迹的三段式强化学习闭环，在Terminal-Bench 2.1自测中以86.1分超过其自测的Claude Opus 4.8（85.0分），较两个月前的1.0版本提升约11%。
几个小时前，Barret Zoph 在 𝕏 上发了一条推文，他说自己将加入谷歌 DeepMind，而他的 AI 生涯正是从谷歌 Brain 的 Residency 项目起步的，这次算是重返旧地；他将专注于强化学习（RL）与后训练（Post-Training）方向，更多消息稍后公布；他还补了一句，谷歌拥有在 AI 领域持续成功所需要的全部要素，他很高兴能成为这个使命的一部分。
这是前OpenAI推理模型一号位Jerry Tworek抛出的最新暴论。他2019年进的OpenAI，一待就是七年。当年强化学习死活scale不动，是他死死咬住不放硬推上去的，o1和o3这两代大杀器都是他亲自带队砸出来的。
近期，字节跳动大模型核心部门Seed完成新一轮组织调整，调整核心集中在Seed Foundation Model（Seed基础模型）板块，新设四个一级部门，重构了预训练数据、强化学习与后训练的组织链路。
史无前例，OpenAI真的停手了！刚刚，奥特曼亲自官宣，「OpenAI暂停下一代旗舰模型的强化学习训练，为期两周」。官方给出停更的原因是：要确保安全、对齐和监控标准，能跟得上眼前这个全新的能力水平。
曾经最相信强化学习的人之一，如今却认为：强化学习没有把我们带到 AGI。
在日常摄影中，后期处理往往是决定照片最终观感的重要一步。
大规模视频扩散模型，画面越来越真，却总在“物理定律”上栽跟头。
WAIC 2026 期间，我们和另外几家媒体（机器之心是其中唯一的专业媒体）共同对来到中国的强化学习奠基人、2024 年图灵奖得主 Richard Sutton 做了一场群访。
基于可验证奖励的强化学习（Reinforcement Learning with Verifiable Rewards，RLVR）正在成为大模型后训练的关键技术。数学题能判对错，代码能跑测试，可验证奖励让大模型可以通过强化学习持续提升推理能力。