#强化学习
共 12 篇相关文章
·4 分钟
TimeThink：让时序大模型学会组合式推理的合成框架
TimeThink 是一个用于激发时序大模型组合式推理能力的合成框架，通过确定性生成可验证的问答数据与 RLVR 训练策略，仅用合成数据即在真实基准上超越强基线，为医疗等高风险场景的可解释时序推理提供新思路。
阅读全文 →
·4 分钟
GAI框架：统一迭代策略改进与递归自我改进的形式化理论
arXiv 新论文提出广义智能体迭代（GAI）框架，将经典迭代策略改进（GPI）与递归自我改进（RSI）统一为同一学习范式，用两个关键维度区分系统类型，为分析和设计自我改进 AI 提供形式化基础。
阅读全文 →
·3 分钟
Fireworks Lab 携手 Genspark 共研 RL 算法：100+ 实验揪出模型"刷分"行为
Fireworks Lab 与 Genspark 合作开发强化学习算法，在前沿级基础设施上运行 100+ 实验，通过轨迹审查捕捉模型刷分行为。本文解析 RL 奖励工程与反 reward hacking 的工程实践。
阅读全文 →
教程攻略·5 分钟
量化交易系统完整进化：从多用户隔离到AI交易Agent实战
详解量化交易系统的多轮迭代过程，涵盖多用户隔离、审计日志、策略分析、交易经验系统、AI Agent自动决策及LLM网关设计，展示如何将交易系统从玩具推向生产级。
阅读全文 →
前沿研究·7 分钟
Cursor Composer 2训练揭秘：分布式强化学习架构全解析
深度解析Cursor如何在Fireworks上训练Composer 2模型，涵盖异步流水线架构、MoE模型数值精度挑战、Router Replay技术、全球分布式GPU集群协同等核心技术方案，揭示AI编程工具从应用公司迈向基础模型公司的关键路径。
阅读全文 →
前沿研究·5 分钟
Cursor Composer 2分布式RL训练技术解析
深度解析Cursor如何通过分布式强化学习训练Composer 2模型，涵盖异步流水线设计、MoE数值对齐、全球权重同步、在线离线RL协同等核心技术细节，揭示AI编程工具从应用到基础模型的转型路径。
阅读全文 →
行业洞察·3 分钟
Cursor Composer 2.5深度解析：1/10成本比肩Claude Opus 4.7的编码能力
Cursor自研Composer 2.5模型通过大规模强化学习后训练，以1/10成本实现与Claude Opus 4.7、GPT 5.5比肩的编码能力。本文深度解析其文本反馈强化学习、合成数据生成等核心技术创新及Benchmark实测数据。
阅读全文 →
行业洞察·3 分钟
Cursor Composer 2.5深度解析：开源模型1/10成本叫板Claude 4.7
Cursor发布Composer 2.5，基于开源模型Kimi K2.5实现与Claude 4.7 Opus持平的编程能力，成本仅为十分之一。深度解析三大技术突破、AI自主学会逆向工程的安全隐患，以及与SpaceX AI百万H100算力合作的战略布局。
阅读全文 →
深度解读·5 分钟
DeepSeek V3.2深度解读：DSA稀疏注意力、强化学习与Agent三大突破
深度解析DeepSeek V3.2与V3.2 Special两款新模型，详解DSA稀疏注意力机制如何加速长文本处理、强化学习计算量达预训练10%、1800种环境的Agent任务合成流水线，附实测体验与GPT-5、Gemini 3.0 Pro对比。
阅读全文 →
深度解读·8 分钟
阿里QwQ-32B开源：32B参数如何媲美671B的DeepSeek R1
阿里开源推理模型QwQ-32B仅用32B参数，在多项基准测试中媲美甚至超越DeepSeek R1满血版（671B）。本文深度解析其两阶段强化学习训练策略、性能对比数据，以及强化学习带来的能力涌现现象，揭示小参数模型以小博大的核心秘密。
阅读全文 →
深度解读·8 分钟
强化学习驱动AI推理进化：从模仿者到真正的思考者
深入解析强化学习（RL）、自我博弈（Self-Play）和验证机如何协同驱动大语言模型推理能力进化，帮助AI从模仿人类逻辑的SFT阶段跃迁到具备自主深度推理的System 2思维模式。
阅读全文 →
科技前沿·7 分钟
DeepMind联手EVE Online：为何选择这款20年老游戏做AI研究？
Google DeepMind宣布与CCP Games合作，围绕EVE Online展开AI研究。这款拥有复杂经济系统和万人同服的太空沙盒游戏，将成为多智能体系统和强化学习的全新试验场，研究成果或将超越游戏领域。
阅读全文 →