清华&通院推出"绝对零"训练法，零外部数据大模型自我博弈解锁推理能力
清华&通院推出"绝对零"训练法，零外部数据大模型自我博弈解锁推理能力不用引入外部数据，通过自我博弈（Self-play）就能让预训练大模型学会推理？
来自主题: AI技术研报
5979 点击 2025-05-12 15:18
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
不用引入外部数据，通过自我博弈（Self-play）就能让预训练大模型学会推理？
在人工智能领域，推理能力的进化已成为通向通用智能的核心挑战。近期，Reinforcement Learning with Verifiable Rewards（RLVR）范式下涌现出一批「Zero」类推理模型，摆脱了对人类显式推理示范的依赖，通过强化学习过程自我学习推理轨迹，显著减少了监督训练所需的人力成本。
什么开源算法自称为DeepSeek-R1（-Zero） 框架的第一个复现？
OpenAI 的 o1 系列和 DeepSeek-R1 的成功充分证明，大规模强化学习已成为一种极为有效的方法，能够激发大型语言模型（LLM) 的复杂推理行为并显著提升其能力。
早在去年10月底IBM推出了PDL声明式提示编程语言，本篇是基于PDL的一种对Agent的自动优化方法，是工业界前沿的解决方案。当你在开发基于大语言模型的Agent产品时，是否曾经在提示模式选择和优化上浪费了大量时间？在各种提示模式（Zero-Shot、CoT、ReAct、ReWOO等）中选择最佳方案，再逐字斟酌提示内容，这一过程不仅耗时，而且常常依赖经验和直觉而非数据驱动的决策。
开源语音模型Orpheus让LLM涌现出人类情感！在A100 40GB显卡上，30亿参数模型的流式推理速度甚至超过了音频播放速度。甚至可以zero-shot克隆声音。
人和智能体共享奖励参数，这才是强化学习正确的方向？
本篇论文是由南洋理工大学 S-Lab 与普渡大学提出的无分类引导新范式，支持所有 Flow Matching 的生成模型。目前已被集成至 Diffusers 与 ComfyUI。
其实大模型在DeepSeek-V3时期就已经「顿悟」了？
尽管 DeepSeek-R1 在单模态推理中取得了显著成功，但已有的多模态尝试（如 R1-V、R1-Multimodal-Journey、LMM-R1）尚未完全复现其核心特征。