奖励模型
DanceGRPO：首个统一视觉生成的强化学习框架
本文介绍了一种名为 DanceGRPO 的强化学习框架，在视觉生成任务中实现了统一优化。该方法通过 GRPO 策略在 Diffusion 和 Rectified Flow 模型上进行了测试，并覆盖了文本到图像、视频等多种任务，展示了其在不同基础模型上的有效性及对多种奖励模型的适应性。
新SoTA方法RM-R1：让reward model对评分说出原因！超越GPT4o
MLNLP社区致力于促进国内外机器学习与自然语言处理的交流合作。近期发表论文提出推理奖励模型ReasRM，通过两阶段训练让小模型学会写评语，并在综合、数学题等测试集中优于GPT-4。该模型支持任务分类和动态奖励机制，已在多个领域展示优势。
DeepSeek前脚发新论文，奥特曼立马跟上：GPT-5就在几个月后啊
DeepSeek发布新论文提出SPCT方法解决通用RM推理时扩展问题，并计划先发布o3和o4-mini，GPT-5将在几个月后推出。
ChatGPT后训练方法被OpenAI离职联创公开，PPT全网转～
OpenAI前员工John Schulman和Barret Zoph分享了他们在后训练阶段开发ChatGPT的经验，并发布了相关PPT。他们讨论了监督微调、奖励模型和强化学习等关键组成部分，以及如何处理拼写错误和其他挑战。
看DeepSeek R1的论文时，我突然想起了AlphaGo
MLNLP社区介绍了DeepSeek R1论文，并重点提到了基于规则的奖励模型和多阶段训练策略，作者通过与AlphaGo的对比分享了个人见解。文章还提及技术交流群邀请函和MLNLP社区介绍。
