其中一项技术便是精心模拟 “工作空间”，让智能体在其中接受多步骤任务训练 —— 这种 “工作空间” 被称为强化学习（reinforcement learning，简称 RL）环境。正如带标签的数据集推动了上一波 AI ...

涉及这一方法的有两篇发布于今年5月的论文。第一篇是SEALab的《无验证器强化通用推理》。它的逻辑也很简单，就是与其相信外部验证器，不如直接 用模型自身对答案的“自信度”来设定奖励。

在过去相当长的一段时间内，强化学习是否能带来推理能力引发了诸多讨论。在多篇论文的累积下，学界逐渐形成了一种共识，即RL更多的只是在做一个搜索剪枝的功能，让采样更有效率，其输出的正确答案，并未超越预训练模型本身的能力。

传统的Agent，多半依赖预设的流程，像一条早已铺好的路。可一旦底层模型更新，整个系统就需要推倒重来。 Kimi采用的端到端地强化学习，走的是另一条路。它让模型在未知的问题里自由探索，不靠固定的程序，而靠数据和反馈一点点成长。

近日，字节跳动与香港大学联合推出了名为Mini-o3的全新开源视觉推理模型，标志着多轮视觉推理技术领域的又一重大突破。与以往只能处理1-2轮对话的视觉语言模型（Visual Language Models, VLMs）不同，Mini-o3在训练期间将对话轮数限制为6轮，但在测试期间，可以将推理轮数扩展到数十轮，从而大大提高了处理视觉问题的能力。

A：能够成功迁移到真实世界。研究团队用AgileX ...

“智能的核心在于‘自我验证与自我纠错’的能力，而当前的大模型仅是静态知识的存储库，因而才会出现基础逻辑混乱和‘幻觉’问题”。 马毅表示，“虽然拥有海量‘知识’，但它们并不具备真正的‘智能’。” ...

在强化学习（Reinforcement Learning, RL）后训练语言模型的语境中，"顿悟时刻"特指模型偶然发现高质量解法的关键突破。当一个智能体获得"顿悟时刻"后，这一发现能够通过群体传播，从而提升整体性能。在ReasoningGYM测试环境中，这些"顿悟"表现为模型突然掌握特定任务（如base_conversion或propositional_logic）的正确解法，而SAPO的魔力在于 ...

过去两个月里，来自清华大学和上海人工智能实验室等的研究者们组织并总结了推理模型的最新 RL 研究，形成了一份非常全面的调查综述，回顾最新进展，讨论面临的问题，并展望未来的发展方向。 RL 在推动 LLM ...

中国青年报客户端讯（中青报·中青网记者 蒋肖斌）“大步走来是喂是喂，往前走那么呀咿哟，跟着红军干革命……”10月2日、3日，由赣南艺术创作研究所创作演出的赣南采茶戏《一个人的长征》在北京天桥艺术中心上演。

我们已经进入了大模型时代，越来越多的应用依赖大模型的能力，可以说大模型已经成为智能化基础设施的核心组成部分，支撑着语言，视觉分析，智能驾驶，机器人等各种下游应用。 在大模型的实际使用中我们发现，大部分的模型还只是某个细分领域任务的大牛，离我们理想中的 ...