搜索
在 LLM/MLLM 领域，基于 verifier 奖励的强化微调（Reinforcement Fine-Tuning, RFT，如 GRPO）在激发复杂推理能力方面展现出显著优势。由于 On-policy 优化的特性，很多研究指出 RFT 相比传统的监督微调（SFT）天然具备更强的抗遗忘能力。
Astra修改小模型权重？MIT那篇爆火研究，被大佬公开质疑了。
经过决策训练的语言模型，重新打开生成开关后，未必还能稳定地推理。在研究者的实验中，4B 模型在约 40% 的问题上几乎不生成推理；9B 模型则走向另一端，在约 70% 的问题上持续生成，直到触及长度上限。
你花钱买了一台最新款的智能电视，为了保护隐私，你决定研究一下里面的代码。为了提高效率，你打开了 ChatGPT 辅助分析。
Anthropic 开源了基于零知识密码学的 FlashProve，使用户无需获取模型权重即可验证回答确由指定模型生成；该系统已在 4000 亿参数的 Llama 4 Maverick 上达到约 110 Token/s，但仍是受成本和上下文限制的研究原型。
今年，我们不打算做大而全的新闻盘点（交给 AI 总结就够啦），而是邀请十字路口身处 AI 一线的朋友们 ——创业者、研究员和投资人，分享 10 个真正触动他们的 AI 瞬间。
9 月以来，全球顶尖大模型几乎都在秀 3D。
随着递归自我改进（Recursive Self-Improvement，RSI）受到关注，智能体如何从交互经验中持续改进自身成为研究热点。智能体记忆机制影响着这些经验能否被有效保留和利用。
“在每一个有创造性活动的领域里，一个人的Taste，加上他的能力和机遇，决定了他的风格；而他的风格，反过来决定了他的贡献。因此Taste和风格之于科学研究，就像它们对文学、艺术和音乐一样至关重要。”
大家好，我是天南，具身算法研究员。 前几天还在和同事吐槽 PI 的 API beta，一直觉得他们把事情想的太简单了。