扫码关注量子位
核心思路：从画大纲到扣细节
让噪声从「包袱」变「燃料」
国内首个！兼容Tinker范式且全面开放
而且不改变核心训练算法
结合树状采样与角色化奖励机制
PromptCoT框架全面升级
精度无损
已经开始期待下一次的机器人运动会了
速度提升3.5倍，显存降至1/4
强化学习+任意一张牌，往往就是王炸。
Plus用户每月40次使用额度
POLAR：与绝对偏好解耦的策略判别学习
一种用在高级推理模型上Scaling RL的后训练方法
数学强，不代表啥都好
展现了通往更高级通用智能的清晰路径
让教师模型“教学”而不是“解决”
将强化学习深度融入LLM预训练阶段
模仿人类思维方式，只能带来短期的性能提升
无需标注、抛弃复杂奖励设计
AIME 2024准确率提升159%
