前沿研究
当世界模型开始模拟流体与刚体，AI 视频的‘违和感’消失了吗？
从单纯的像素拟合到具备物理常识的模拟，2026年的世界模型正在通过集成动力学推演与强化学习，解决流体流动与刚体碰撞的‘违和感’。本文分析蚂蚁灵波 LingBot-World 等前沿模型如何习得物理直觉，并探讨纯生成路径与
阅读全文
Search
站内搜索
关键词：强化学习
找到 16 篇相关文章
前沿研究
一张RTX 4090跑GRPO，风控模型怎么训、怎么测
这次风控模型升级没有先补齐海量人工标签。团队把10.3万条客服与信审对话整理成23类场景，用合规、流程和客户体验三类规则给模型打分，再以Qwen2.5-7B-Instruct配合LoRA，在单张RTX 4090上训练约3
阅读全文
技术应用
别急着做自动驾驶：物流重卡在封闭矿区用AI排班省下15%油钱
在动辄数百万的无人驾驶硬件改装面前，2026年的工业界正在走向更务实的路线：不改硬件，只用物理AI与强化学习算法重构调度排班，帮助矿区燃油重卡省下15%的油耗。
阅读全文
AI 实操指南
用GRPO算法调教3B小模型：不走SFT弯路的企业专属微调方案
告别繁琐SFT与昂贵的Critic模型，利用GRPO（群组相对策略优化）在单卡RTX 4090上对3B参数模型进行强化学习微调。本文提供具体的奖励函数编写模板、显存控制参数及实战流程，帮助中小团队以最低成本实现垂直领域的
阅读全文告别暴力堆数据：2026年大模型训练为何集体转向强化学习？
分析大模型训练从“规模至上”转向“推理能力驱动”的技术拐点。重点拆解 GRPO 算法如何通过取消 Critic 模型降低显存成本，使 7B-70B 小参数模型能通过大规模强化学习实现性能反超，揭示 2026 年模型训练的
阅读全文
前沿研究
3B模型跑强化学习：为什么端侧慢思考比无脑堆参数更省电
分析2026年夏季端侧AI面临的算力与散热双重挑战，探讨如何利用GRPO算法与轻量级MCTS，让3B小模型通过“慢思考”机制在本地离线实现复杂逻辑推理，并深度量化其能效比。成本账表明：慢思考的3B模型相比于大参数直接输出
阅读全文3B模型也能有“思考过程”？拆解2026年端侧推理的慢思考机制
分析 VibeThinker 等 3B 规模端侧模型如何通过 GRPO 强化学习实现类似 o1 的慢思考（CoT）能力，探讨在内存与功耗约束下，端侧模型如何通过牺牲推理时间换取逻辑能力的跃迁，并为开发者提供端侧推理优化的
阅读全文走进自动化工厂：AI 调度员如何将生产线能耗降低 12% 的实测数据
通过对比传统 PID 控制与 AI 强化学习调度在某头部电池电芯工厂的实测表现，揭示工业 AI 如何在峰谷电价切换的毫秒级响应中，将整体能耗降低 12%，实现从“对话框”到“生产线”的价值闭环。
阅读全文AI 调度员接管电网：在毫秒级波动中寻找最优电力分配
2026年，高比例新能源并网让电网调度面临前所未有的瞬时波动挑战。本文拆解了南方电网“明月”与国家电网“光明”等最新多智能体协作（Multi-Agent）系统，深度剖析工业 AI 强化学习方案如何用毫秒级响应重塑实时调度
阅读全文垂直模型对齐怎么做：把奖励规则写成代码，再跑 GRPO
金融、医疗、法律任务里，很多错误可以直接核验。GRPO 去掉 Critic 后，可用代码奖励替代一部分奖励模型；省下价值网络的同时，采样开销、规则漏洞和评测压力会更突出。
阅读全文
AI 实操指南
Agent 逻辑总跑偏，GRPO 能做什么
当 Agent 在多步任务里反复跑偏，继续加“请一步步思考”往往只能改变当次输出。GRPO 去掉 Critic，用同题多回答的相对得分更新模型，把优化重点移到可验证的奖励规则。
阅读全文
前沿研究
VibeThinker-3B的看点不只在30亿参数
30亿参数的 VibeThinker-3B，在数学、竞赛编程等可验证推理任务上进入多款前沿模型的性能区间。公开路线包含 SFT、多领域强化学习、离线自我蒸馏和最终 RL 指令微调；GRPO、训练卡时与复现成本仍缺少材料支
阅读全文