监督微调-创奇社

扩散LLM推理用上类GRPO强化学习！优于单独SFT，UCLA、Meta新框架d1开源-创奇社

扩散LLM推理用上类GRPO强化学习！优于单独SFT，UCLA、Meta新框架d1开源

扩散模型通过新框架d1实现推理功能，结合监督微调与新颖策略梯度方法diffu-GRPO提升数学和逻辑推理能力。

机器之心22天前

0488

强化学习带来的改进只是「噪音」？最新研究预警：冷静看待推理模型的进展-创奇社

强化学习带来的改进只是「噪音」？最新研究预警：冷静看待推理模型的进展

了突飞猛进的进展。在探索的过程中，一个核心的议题是：对于模型推理性能的提升来说，什么有效？什么无效

机器之心29天前

090