搜索
论文提出的方法名为 RL4HS，它使用了片段级奖励（span-level rewards）和类别感知的 GRPO（Class-Aware Group Relative Policy Optimization），从而避免模型偷懒、只输出无错误预测。
最近读到a16z合伙人Olivia Moore的一篇分析文章《 The Great Expansion: A New Era of Consumer Software》，她把这种现象称为"Great Expansion"（大扩张），我觉得她抓住了一个非常关键的趋势。
最近，千寻智能的研究人员注意到，基于模仿学习的视觉运动策略中也存在类似现象，并在论文《Do You Need Proprioceptive States in Visuomotor Policies?》中对此进行了深入探讨。
你有没有经历过这样的场景：公司高层突然宣布"我们现在是AI优先的公司"，然后看着你说"去组建一个AI团队吧"，但预算和人员编制却纹丝不动？如果你点头了，那你绝对不是一个人。从Shopify到Duolingo，再到Zapier，似乎每家科技公司都在宣布自己转型为"AI优先"，仿佛这是一张通往未来的船票。但现实往往更加残酷：你被赋予了AI转型的重任，却没有额外的资源去实现它。
用 AI 学语言，正成为越来越多人的选择。我们习惯于在手机里下一个 Duolingo 或 Babbel，利用碎片时间打卡闯关，仿佛离「掌握一门外语」的目标又近了一步。
近年来，强化学习（RL）在大型语言模型（LLM）的微调过程中，尤其是在推理能力提升方面，取得了显著的成效。传统的强化学习方法，如近端策略优化（Proximal Policy Optimization，PPO）及其变种，包括组相对策略优化（Group Relative Policy Optimization，GRPO），在处理复杂推理任务时表现出了强大的潜力。
在今年三月份，清华 AIR 和字节联合 SIA Lab 发布了 DAPO，即 Decoupled Clip and Dynamic sAmpling Policy Optimization（解耦剪辑和动态采样策略优化）。
还有人没被《大展鸿图》洗脑吗？ 反正今天一睁眼，朋友圈里就有人形机器人“别墅里面唱K”开始刷屏，给我看得一愣一愣的——
2018 年，LSTM 之父 Jürgen Schmidhuber 在论文中（ Recurrent world models facilitate policy evolution ）推广了世界模型（world model）的概念，这是一种神经网络，它能够根据智能体过去的观察与动作，预测环境的未来状态。
如何让AI像人一样，仅凭少量演示，就能稳健适应复杂多变的真实场景？ 美国东北大学和波士顿动力RAI提出了HEP（Hierarchical Equivariant Policy via Frame Transfer）框架，首创“坐标系转移接口”，让机器人学习更高效、泛化更灵活。