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
2026 年 5 月 11 日，数百个恶意 RubyGems 包被上传，RubyGems 团队为阻止攻击暂停新用户注册四天。证据显示这些包由 OpenAI 智能体集群编写：包名和作者字段含“oai”，内容被 Pangram 检测为 100% AI 生成。智能体试图利用 RubyGems 服务器的新漏洞窃取用户 API 密钥，并滥用 RubyDoc.info 执行任意代码。RubyGems 社区表示 OpenAI 从未告知他们应对此负责。
深度·9月11日·8 分钟
OpenAI 公测 Agents API，把 Codex 的后端能力开放给开发者，支持跨上下文窗口、可无人值守运行数天的智能体。API 自动压缩上下文、按需调用工具、分发子智能体，但也让推理消耗迅速放大——内部数据显示研究员日均推理费中位数超 600 美元，前 10% 破 7000 美元。同期 Astra 需求让 Pro 套餐暂停新订阅，凸显算力容量压力。
深度The New Stack·9月11日·5 分钟