近未来策略优化：自适应混合策略强化学习
深度2026年4月28日27 分钟阅读
本文发现，策略自身的“近未来”检查点比外部教师或历史轨迹更能兼顾质量与接近性，从而最大化学习信号。对于研究强化学习、特别是在RLVR框架下进行后训练的研究者，本文提出的NPO方法简单有效，可直接应用于多模态模型的性能提升。
本文编译自 Near-Future Policy Optimization，版权归原作者所有。
觉得有用？分享给更多人
相关文章
Genie 4 用多个 Gemini 模型驱动，能实时生成可交互的物理环境，并演示了让 Apptronik Apollo 人形机器人在模拟世界里下跳棋。问题在于长时间运行会出物理错误，Google 也没公布重复测试的基准数据，目前仅向可信测试者开放。
深度The New Stack·10月27日·3 分钟
美国银行在“保护您在AI世界中的财务”邮件中警告客户，不要将银行凭证分享给AI助手或代理工具。随着个人AI助手流行，客户越来越倾向于交出登录信息，但这可能导致财务损失、账户被锁或凭证泄露。多数银行的账户协议规定，客户需对授权访问产生的活动负责。
深度·10月27日·3 分钟