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
Claude Fable 的强大能力与高昂成本，使得模型选择和分类成为区分高效与高成本 AI 用户的关键技能。专家建议仅将 Fable 用于规划、协调和审查，而将常规任务交给更便宜的模型。随着价格战和 token 定价变化，这一技能将变得对所有人都至关重要。
深度The New Stack·6月13日·4 分钟
美国政府下令 Anthropic 停用 Claude Fable 5 和 Claude Mythos 5，理由是国家安全。Anthropic 表示不满，称政府依据的是一项“狭窄、非通用的潜在越狱”证据，且相关能力已存在于其他公开模型。
深度·6月13日·4 分钟