A Theory of Policy Optimization in Post-Training: Coverage Collapse and Reference Resets
后训练策略优化的理论基石:覆盖度崩溃与参考策略重置机制
Latest article / 最新文章
机器人的记忆难道只是一块时钟?揭秘具身 VLA 大模型中的时间捷径与虚假进度
Nanyang Technological University researchers uncover a startling vulnerability in memory-augmented Vision-Language-Action (VLA) models: 'phantom progress'. Because memory buffers sample frames uniformly over time, policies treat mere clock ticks as physical work. A brief 5-second pause causes robots to prematurely terminate tasks—cutting manipulation success from 47/50 to 16/50. The authors prove that VLA models exploit temporal shortcuts rather than remembering events, and demonstrate that event-indexed memory restores robustness without retraining.
后训练策略优化的理论基石:覆盖度崩溃与参考策略重置机制
BiVerify:闭环双向验证框架——攻克大模型数学自我纠错的推理瓶颈
GenRM-Flow:流匹配视频生成器本身就是绝佳的过程感知奖励模型
拆解强弱在线策略蒸馏(OPD)对决 GRPO 的算力效率真相
VFlash:基于闪速图元解码的高效高精度具身视觉规划
基准即软件:Terminal-Bench 2.1 与大模型智能体评测的“技术债”危机
LoRA 的谱与子空间动力学:为什么强化学习需要与 SFT 截然不同的优化策略
NEO-VLA:迈向原生无编码器架构的视觉-语言-动作具身策略
视觉 Token 动态路由(VTR):破解计算机操作智能体的百万视觉 Token 膨胀
诺贝尔经济学奖(1969–2025)
57 postsOdoo 12开发者指南(Cookbook)第三版
24 postsOdoo 14开发者指南(Cookbook)第四版
24 postsTouchDesigner教程
20 postsPython脚本实战
18 postsOdoo 12开发手册
14 posts李宏毅机器学习2025
13 postsDwarkesh播客笔记
4 postsAndrej Karpathy LLM笔记
2 postsfreeCodeCamp
1 post