强化学习RL

伯克利团队以 4,500 美元重现 DeepSeek 的成功：1.5B模型超越 o1-preview！ RL强化学习

OpenAI首席研究官肯定了DeepSeek的核心成果：通过强化学习自动生成了思维链（这些归功于DeepSeek的统一数学公式），详细见：DeepSeek秘诀：能在学习过程中

人工智能发两个方向：GPU硬件和强化学习算法，这两个方向是条条大路通罗马还是南辕北辙？ 首先，让我们了解一下强化学习算法代表DeepSeek DualPipe 算法，再谈谈英伟达的GPU硬件！ 1

极简推理革命，7GB显存小模型也能“顿悟”；15G显存，任何小模型秒变推理模型。 今天，我们很高兴在 Unsloth 里加入“推理”这个新功能！DeepSeek 的 R1 研究发现了一个“顿悟时刻”——R1-Zero 通过一种叫“组相对策略优化（G

DeepSeek-R1：是如何让 OpenAI 级别的推理模型如此高效的？ 最近我们都看到了关于 DeepSeek-R1 的讨论。它取得了一些惊人的成绩，在推理任务中经常匹敌甚至超过 OpenAI 的 o1 系列……而且它只用一小部分参数和低得多的成本就做

DeepSeek 的研究发现，模型在强化学习（RL）训练中，经过多次迭代后，会突然开始生成思维链，并显著提升在数学等复杂任务上的表现。 什么是

DeepSeek-R1 是 AI 开放模型生态系统向前迈出的一大步，其最新模型在多项指标上与 OpenAI 的 o1 相媲美。他们用更少的资金和计算实现了这一目标，这一事实引起了很多炒作和关注。 如果想了解大模型的入门，参考这个比喻：

人类反馈强化学习 (RLHF)是机器学习中的一种方法，利用人类输入来增强人工智能 (AI) 代理的训练。让我们走进迷人的人工智能世界，其中人类反馈强化学习 (RLHF)

本文介绍了TAME（Technological Approach to Mind Everywhere）框架和强化学习（RL）的概念，旨在将生物学和人工智能领域进行交叉研究。 这种将生物学和强化学习相结合的方法，可用于理解生物体和构建人工智能。这种

杨立昆Yann LeCun 认为语言模型不能通往AGI，而维特根斯坦等哲学家早就基于语言指明了人类思想智能方向，既然此路不通，当然要仙人指路指出新的通往AGI

DeepSeek就像打破了“四分钟跑一英里”的纪录一样，做了一件大家以前觉得不可能的事。突然之间，语言模型通过“RL强化学习”变得超级厉害，而且它的规模很小，小到一个博士生几天就能重新做出来，如下，今年肯定会很疯狂！ 我们在CountDown游戏里

训练大模型的三步教育学习法： 第一步： 学习基础知识：就像我们上学时，老师先讲解基础知识，帮助我们理解概念。对于大模型（LLM，这里指大型语言模型）来说，这就是让它们“读”大量的文本，积累背景上下文知识，相当于“预习”。

Cerebras芯片给 Mistral 的 Le Chat 带来了超快的推理功能。前几天，Mistral对他们的 Le Chat 网页界面（就是他们的 Cha

测试时间扩展（TTS）是一种通过在推理阶段增加一些额外的计算来提高大型语言模型（LLM）性能的重要方法。不过，目前的研究还没有系统地分析策略模型、过程奖励模型（PRM

OpenAI 报告称其新的o3 推理模型取得了突破性进展。该公司将这一进步归功于强化学习，这是一种成熟的人工智能训练方法，在某些任务上具有显著优势，但在其他任务上具有

OpenAI 今日公告摘要： - 引入 o1 的强化微调 (RFT) - 调整 o1 以学习在自定义域中以新的方式进行推理 - RFT 比常规微调更好、更有效； 生物化学、安全、法律和医疗保健是 OpenAI 研