强化学习
王炸组合：微信接入满血DeepSeek R1，背后的Agentic RAG技术~
微信灰度接入DeepSeek R1，支持更全面的回答。DeeSeek-R1采用Agentic RAG方式接入，可以设计通用AI Agentic框架，并结合官方Prompt和搜索接入实现。
不蒸馏R1也能超越DeepSeek，上海 AI Lab 用RL突破数学推理极限
上海AI Lab提出的新方法OREAL利用基于结果奖励的强化学习超越了DeepSeek，无需超大规模模型蒸馏。通过模仿正样本、偏好负样本并关注关键步骤，实现了数学推理任务上的显著提升，并开源训练数据和模型以促进研究对比。
从PPO到GRPO，DeepSeek-R1做对了什么？
本周通讯解读了三个值得关注的技术与行业动态。DeepSeek-R1 在强化学习中采用GRPO替代PPO，减少人类标注数据并设计精妙奖励机制；ARK展望AI对经济的影响；Kimi 1.5和DeepSeek-R1均使用Rule-based Reward提升模型推理能力。
赶紧放弃强化学习？！Meta 首席 AI 科学家杨立昆喊话：当前推理方式会“作弊”，卷大模型没有意义！
这样的困境：它们基于深度学习架构，通过在大规模数据上进行预训练、调整参数，看似构建起了对世界的“理解
GSM8K-RLVR：用强化学习提升语言模型的数学解题能力
GSM8K-RLVR利用强化学习提升语言模型数学解题能力，Qwen2.5-Math-1.5B模型准确率从70.66%提升至77.33%，简化提示格式无需复杂标签。
让 LLM 来评判 | 奖励模型相关内容
奖励模型通过学习人工标注的成对 prompt 数据来预测分数，用于评估语言模型的表现。它们比传统LLM评估模型更快速且具有确定性，但需要特定微调和考虑位置偏差影响。