标签：强化学习

共 5 篇文章

• 一个损失训到底 2026-11-02

  CMU、JHU与Aurora Innovation提出统一训练：把预训练、中训练、监督微调与强化学习全部放进同一个基于似然的目标，RL目标被推导为对模型生成目标的最大似然拟合。124M小模型从头统一训练即胜过分阶段训练；0.76B模型上5%中训练数据配比在数学与编码四项指标上最佳。本文分析它对银行自研大模型训练流程的影响。

• 以 RSI 驱动持续进化：人、智能体与组织的三环共演——从演化博弈、强化学习、反身性到一人公司的实践路线 2026-10-29

  人和组织为什么必须持续进化？大模型与智能体的递归自我改进（RSI）需要怎样的人和组织作支撑？本文综述达尔文哥德尔机、AlphaEvolve、AIDE²等 RSI 研究进展，借助演化博弈论、强化学习与索罗斯反身性理论，提出“智能体环—人环—组织环”三环共演框架，并以一人公司为例，具体回答组织怎么进化、人怎么进化、智能体怎么进化。

• 让 AI 自己画出业务流程再去寻优：基点起源“全要素大模型”的建模思路，与银行风险建模的六条边界 2026-10-18

  基点起源（AlignBase）是一家 2025 年 3 月成立的工业 AI 公司，主张由 AI 直接读取企业原始数据、自动识别生产要素、拼成 DAG 模型网络并在数字孪生上用强化学习寻优。本文依据创始人访谈、融资稿与两项专利还原其三层架构、三步流程与数据原则，区分可核实事实与自述效果，并结合新加坡 MAS 与台湾金管会的最新要求，分析这套范式对银行风险建模与模型风险管理的借鉴价值和边界。

• 资产保全智能体该用多大参数的基座？——把一条社交媒体技术帖，翻译成一套可执行的微调选型规则 2026-09-27

  以 6 份已归档材料为唯一来源：先忠实转述一份 X 个人技术长文中 SFT 与 RFT 之路、GRPO、ART 架构与 RULER 机制，并把'小模型微调可胜过百倍大模型'标注为作者主张而非行业定论；再把资产保全的选型问题拆成六项约束，据 QLoRA 与显存档位推出规模区间与六步决策规则，并反对一上来买大卡、按榜单选规模、从全参微调起步。

• 终端 Agent 逼近旗舰：银行长程自主执行能力跃升的机遇与治理边界 2026-09-16

  腾讯混元基于 Qwen3.5-122B-A10B 后训练出终端智能体 T1，Terminal-Bench 2.1 任务完成率 64.0%，逼近 Claude 旗舰。拆解长程强化学习、训练推理一致性等技术突破对银行复杂流程自动化的启示，以及部署终端 Agent 前必须回答的治理问题。