记忆增强动态奖励塑形：减少重复错误，提升采样多样性
深度2026年4月15日18 分钟阅读
研究发现通过记忆增强的动态奖励机制，可以有效识别并惩罚重复出现的错误模式，从而显著提升模型性能和行为多样性。这篇论文适合研究强化学习、语言模型优化以及探索-利用平衡问题的研究人员阅读。
本文编译自 The Past Is Not Past: Memory-Enhanced Dynamic Reward Shaping，版权归原作者所有。
觉得有用？分享给更多人
相关文章
Anthropic 周四发布报告，指控中国 AI 公司对其 Claude 模型发起蒸馏攻击，以提取思维链用于训练自家模型。报告称共观测到近 2 亿次对话，归因于五个独立行动，规模最大的一起来自阿里，涉及 1.51 亿次对话，目标是为 Qwen 系列模型生成训练数据。另一起来自月之暗面，近 30 万次请求可能与中国军方有关。
深度·9月10日·3 分钟
GPT-Live-1 采用原生全双工架构，能边对话边把复杂请求交给后台模型（如 GPT-6 Astra 或 Luna）处理，再通过事件机制把结果融入对话。它比 GPT-Realtime-2.1 在 Full Duplex Bench 上高出 30 个百分点，定价每分钟 0.05 美元。代价是开发者要把更多语音栈的控制权交给 OpenAI。
深度The New Stack·9月10日·4 分钟