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
Qwen3.6-35B-A3B 量化模型在 MacBook Pro 上生成的鹈鹕骑自行车 SVG，在自行车框架形状等细节上优于 Anthropic 新发布的 Claude Opus 4.7。作者指出，这个玩笑测试虽与模型通用能力不完全相关，但反映了当前模型比较的荒诞性。
深度Simon Willison·4月16日·3 分钟
本文提出BERT-as-a-Judge方法，通过轻量级训练实现生成式输出的语义评估。该方法在36个模型和15个任务上验证，性能优于传统词法方法且接近大型LLM评判者。这为语言模型评估提供了可靠且可扩展的解决方案。
深度·4月16日·14 分钟