行业与实践 · 标签「强化学习」

最新优先最早优先

查看全部

研究与基准测试2026-10-098 分钟
Hard20 从 26.25% 到 85.00%：阿里用五个基准测回放时干预
阿里 Token Hub 的 RTI 在回放时把失败轨迹改成成功轨迹。Qwen3-8B 上，相对 GRPO，Telecom 的 Pass@1 高 24.56 个百分点，导航高 22.00。Qwen3.5-9B 的 Hard20 从 26.25% 到 85.00%。去掉完整性检查后，导航掉到 26.00%，低于 GRPO 的 35.33%。
研究与基准测试2026-10-0416 分钟
编码智能体的强化学习跨基准迁移（续）：四种失败模式
成对轨迹显示，基座模型的失败多是差一点：需求丢失、测试过窄、无声回归、地面真值太弱。训练后的模型把规格说明当成必须完整兑现的契约。
研究与基准测试2026-10-0414 分钟
编码智能体上的强化学习，能否跨基准迁移
Surge AI 只用强化学习，在 1,700 道专家编码任务上后训练 Kimi K2.7 Code。六个外部基准的 pass@1 全部上升，包括训练时没用过的 harness，以及长达数小时的 SWE-Marathon。
研究与基准测试2026-09-248 分钟
8B 平均 50.7：腾讯把搜索拆成规划和综合
腾讯 IterSynth-8B 在五个深搜索集上平均 50.7，比 MiroThinker-8B 的 46.5 高 4.2。GAIA 55.3 低于对方 66.4。xBench-2510 表内比 Miro 的 34.0 高 12.0，正文另写 +5.4%。不更新参数时，Claude 上平均 66.1，高于 ReAct 的 60.6。
研究与基准测试2026-07-177 分钟
留存升了 3.85%，工具错误降了 61.5%：Qwen-Coder-Qoder 的线上数就这些
Qwen-Coder-Qoder 在自建 Qoder Bench 上超过 Cursor Composer-1，Windows 终端命令准确率最多提高 50%。线上几周代码留存升 3.85%，工具错误降 61.5%，Token 降 14.5%。没有绝对分和样本量。
研究与基准测试2026-07-169 分钟
4 步视频 VBench 84.33：混元把前向强化学习接到 MeanFlow
腾讯混元在 SD3.5-M 上用 4 步采样，少步 8 项里 6 项最好。Aesthetic 5.9275 低于 RTDMD 的 6.1290。Wan2.1 上 4 步 VBench 84.33，高于 50 步 LongCat-Video RL 的 82.57。Semantic 77.68 低于 SC-DMD 的 77.77。

Hard20 从 26.25% 到 85.00%：阿里用五个基准测回放时干预

编码智能体的强化学习跨基准迁移（续）：四种失败模式

编码智能体上的强化学习，能否跨基准迁移

8B 平均 50.7：腾讯把搜索拆成规划和综合

留存升了 3.85%，工具错误降了 61.5%：Qwen-Coder-Qoder 的线上数就这些

4 步视频 VBench 84.33：混元把前向强化学习接到 MeanFlow