RLVR
-
无监督强化学习的边界探索：清华研究揭示内在奖励的繁荣与陷阱
强化学习的范式迁移：从监督走向无监督 强化学习正持续拓展大模型的能力边界。从 OpenAI o3 到 DeepSeek-R1、Gemini 3，顶尖模型正通过大规模 RLVR（可验证奖励强化学习）不断刷新推理任务的上限。然而，纯监督式训练的局限性日益凸显：人工标注成本呈指数级增长，在专业领域获取可靠标注愈发困难。当模型能力逼近甚至超越人类专家时，可靠的评估者…
-
RLVR/GRPO组内优势估计的系统性偏差：揭秘大模型训练中的隐藏陷阱
近年来，大模型在数学推理、代码生成等任务上取得突破，其背后一个关键技术是RLVR（Reinforcement Learning with Verifiable Rewards，可验证奖励的强化学习）。 简单来说，RLVR并非让模型被动接受人工评分，而是让模型主动生成多种解法，并依据可验证的客观规则（如答案是否正确）进行自我改进。这种通过反复试错来提升性能的模…
-
卡帕西2025大模型预言：RLVR革命、锯齿智能与端侧智能体崛起
鹭羽 发自 凹非寺 2025年有哪些AI趋势？大神卡帕西的年终总结正在硅谷引发热议。 他提出了六大硬核且富有启发性的论断： RLVR （可验证奖励强化学习） 成为训练新阶段 大模型不应被类比为动物智能 Cursor展现了大模型应用的Next Level Claude Code加速端侧智能体普及 Vibe Coding将重塑软件行业 Nano Banana重塑…
