相关新闻

placeholder

马东锡 NLP 🇸🇪

1个月前

「RLVR, Reasoning」 Spurious Rewards: Rethinking Training Signals in RLVR 当随意的奖励信号仍可以大幅提升模型性能，就得重新思考：到底是RL在学习，还是在放大某种“先验”行为。 "RLVR must somehow be surfacing useful reasoning representations learned d

placeholder

向阳乔木

3个月前

基于Techcrunch报道生成：OpenAI 推出两个人工智能 推理模型 o3 和 o4-mini。

placeholder

背包健客

3个月前

遥遥领先的机器人又倒了🙄 #speed

placeholder

马东锡 NLP 🇸🇪

3个月前

「LLM x RL」DeepSeek 最新论文：Inference-Time Scaling for Generalist Reward Modeling 在 RL 中，Reward Modeling（RM）是一个非常重要的部分。RM 主要用于对 LLM 的生成结果进行打分，从而调整 LLM 的 policy，使其更符合 RM 设定的要求，比如更强的 reasoning 能力。 针对特定任务（

placeholder

雁过留声

5个月前

He hit the nail on the head: DeepSeek has shaken the foundation of American capitalism.他说到关键：DEEPSEEK 动摇了美帝资本主义根基。

placeholder