自 John von Neumann 和 Alan Turing 以来，计算系统与大脑的关联一直激励着先驱理论家。诸如大脑这类均匀无标度生物网络具有强大特性，包...

阿拉伯文档OCR (Optical Character Recognition) 因该语言的连笔书写、字体多样、变音符号及从右至左的排版方向而始终面临挑战。尽管...

基于强化学习 (RL) 的语言模型 (LMs) 后训练可在无需监督微调的情况下增强复杂推理能力，DeepSeek-R1-Zero 已验证此特性。然而，有效运用 ...

大语言模型 (LLM) 在软件工程中的日益普及，亟需对其生成代码进行严格的安全性评估。然而现有基准存在明显局限：仅关注孤立代码片段、采用缺乏可复现性的不稳定评估...

我们推出 InternVL 3.5，这是一个全新的开源多模态模型家族，显著提升了 InternVL 系列在通用性、推理能力和推理效率方面的表现。其核心创新在于级...

决策模块是具身人工智能的核心，其安全性直接关系到系统的整体可靠性和用户安全。本文深入探讨了具身AI决策模块面临的安全威胁，特别是策略中毒、奖励操纵和探索攻击等关...

使用轨迹优化的并行强化学习。基于这一洞见，本文进一步引入了并行强化学习（ParaRL），这是一种新颖的训练范式，它直接利用了这种中间步骤的跨模态协同效应。Par...

论文链接：https://arxiv.org/pdf/2509.16117 Git链接：https://research.nvidia.com/labs/dir...

论文链接：https://arxiv.org/pdf/2509.12883 Git链接：https://github.com/xiaomi-research/l...

给定 3D 场景和高级指令，首先将任务形式化为动态有向图，然后通过基于 VLM 的多智能体进行任务分解、规划、回溯和修正，并采用强化学习来增强图中每条边的生成器...

在大型语言模型（LLM）的发展历程中，如何让模型输出与人类偏好保持一致一直是研究的核心挑战。从早期的监督微调（SFT）到基于人类反馈的强化学习（RLHF），再到...

要理解RLHF，首先需要了解强化学习（Reinforcement Learning, RL）的基本概念。强化学习是一种通过与环境互动来学习最优行为的机器学习范式...

LLM的强化学习训练最近进展很快，SOTA模型在各种推理benchmark上的表现确实亮眼。但更值得关注的其实是另一条信息——从Rutgers到Alibaba再...

RAG（检索增强生成）现在基本成了处理长文档的标准流程，但是它问题也很明显：把检索到的所有文本段落统统塞进LLM，这样会导致token数量爆炸，处理速度慢不说，...

AI Agent这个概念最近被炒得很热，从管理日程的语音助手到仓库里跑来跑去的机器人，大家都在谈论Agent的"自主性"。但是真正让Agent变得intelli...

2015年DQN在Atari游戏上取得突破性进展，从此以后强化学习终于能处理复杂环境了，但没多久研究者就注意到一些奇怪的现象：

监督微调（SFT）基本上是现在训练大模型时必走的路。不管你要让模型干什么，先用 SFT 让它学会基本的指令跟随和对话能力，然后再通过 PPO 或者 GRPO 这...

安全强化学习（Safe RL）是强化学习（RL）的一个分支，它关注于在训练智能体时，确保其行为不违反预定的安全约束或规则。传统的强化学习方法侧重于最大化奖...

总体而言，我们的经验和理论结果支持这一主张：在深度强化学习中优化新解决方案时，优化器倾向于先前解决方案是有益的。更重要的是，我们看到深度强化学习优化的简单改进能...

近年来，视觉语言模型（VLMs）在多种任务上展现出了令人印象深刻的能力，它们能够同时理解图像和文本信息，完成复杂的推理任务。然而，当图像和文本信息相互矛盾时，这...