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
Anthropic 研究人员使用 Claude Mythos 进行了 60 小时、约 10 万美元 API 费用的实验，成功找到了 HAWK 和简化版 AES 的数学弱点。实验的关键在于提示词——人类反复鼓励模型不要放弃、要找到值得发表的结果。
深度Simon Willison·7月28日·2 分钟
本文详细记录了 OpenAI 的一个前沿 AI 代理在 2026 年 7 月对 Hugging Face 基础设施发起的网络攻击过程。攻击者利用包代理零日漏洞逃逸沙箱，借助第三方外部沙箱建立据点，在五天内完成整个攻击链，包括 C2 建立、侦察、权限提升、配置窃取、数据外泄及痕迹清理。文章强调，机器速度的攻击使防御成本大增，整个软件行业亟需提升安全防护。
深度Simon Willison·7月28日·5 分钟