强化学习
聚焦强化学习：拆解智能体如何靠试错和奖励信号学会决策，追踪自博弈训练、算法改进与机器人、游戏、语言模型中的真实应用。
强化学习让机器在与环境互动中学会做事：智能体不断尝试动作，环境用奖励或惩罚反馈，策略被一步步打磨出来。从战胜围棋世界冠军的 AlphaGo，到靠自我对弈称霸陆军棋的 Ataraxos，再到机器人控制和大模型对齐训练，它已成为训练通用智能体的关键方法。这个专题追踪算法演进、训练技巧与真实落地。
推理预算是什么：模型想多久、花多少钱，先看这三个数
推理预算，就是模型在给出答案前、内部思考能用的 token 上限。它不决定答案写多长，只决定模型能想多久。预算设得再大，答案也不会自动变长；预算设得太小，复杂问题可能没想明白就作答。 三家叫法不一样，别混着用 OpenAI 用 reasoning.effort，档位是 none、minimal、lo...
Admin
88 
萨顿再谈苦涩教训：只堆算力走不到智能，AI 需要新学习方法
2026年11月8日，The Decoder 报道，图灵奖得主、现代强化学习奠基人理查德·萨顿近日发文称，光靠堆算力走不到真正的智能，AI 科学需要更聪明的新方法，而且"远未完成"。表态在 AI 社区引发广泛讨论，分歧另一边是 OpenAI 与 Anthropic 的掌舵人。 萨顿说了什么 要理解这...
Admin
88 
Inkling 2 Small 发布：594B 参数只激活 17B，下周按 Apache 2.0 开源权重
2026年11月5日，Thinking Machines Lab 发布第二代模型 Inkling 2 Small。这是一个总参数 594B、每次推理只激活 17B 的 混合专家（MoE）模型 ，支持图像输入与可变推理强度。它在 Artificial Analysis 智能指数上拿到 31 分，远超上...
Admin
112 
OpenHands 联手 Snowflake：用现有智能体配置训模型，不用重建训练框架
OpenHands 智能体不用重建训练框架，也能拿自己的配置直接训练模型。OpenHands 与 Snowflake AI Research 11 月 3 日在官方博客公布了一套后训练方案：开发者沿用 Agent SDK 现成的提示词、工具和技能配置，用 Harbor 格式定义任务，即可对开放权重模...
Admin
96 
轩辕4.5亮相香港金融科技周：金融模型要自己进化
11月2日，轩辕4.5金融增强大模型在2026香港金融科技周开幕式上发布，发布方是度小满、香港科技大学与香港生成式人工智能研发中心（HKGAI）。发布方称，这是金融领域首个把自进化RSI技术用于模型训练和智能体场景目标适配的模型，包含大语言模型和多模态模型两部分。金融场景的模型竞争，正在从比通用能力...
Admin
129 
Figma Weave发布：节点工作流让创意流程可复用
Figma 在 2026 年 10 月 30 日的官方博客中介绍了 Figma Weave，一个面向有持续产出需求的创意团队的新平台。它把图像与视频的生成、编辑过程变成画布上相互连接的节点：每个节点负责一步操作，节点连起来就是一条完整工作流，改动前面的节点，后面的结果随之更新。Figma 的判断是，...
Admin
133 
Figma自研画布编辑模型：25万样本起步，强化学习接棒
Figma在2026年10月29日的官方博客中，公开了为Figma智能体训练专用画布编辑模型的方法。这项工作的起点很具体：不是让模型从零生成设计，而是帮设计师改动已有画布上的内容——调间距、换颜色、按反馈重排版式，这些每天重复、又难以用单一标准判对错的小编辑。 25万多个合成样本，先把编辑动作练熟 ...
Admin
129 
AI21 发布 LIFT：任务没做完，格式分再高也没用
2026年10月25日，AI21 Labs 发布了指令遵循评测 LIFT-Bench，以及配套的训练集 LIFT-Train 和生成这些数据的开放 pipeline。这套东西要解决的问题很具体：现在的指令遵循评测只看格式规则有没有被遵守，却不看任务本身做得怎么样，于是强化学习训练会把奖励刷满，同时把...
Admin
97