告别纯奖励试错！二次尝试+反思蒸馏，复杂任务提升81%
告别纯奖励试错！二次尝试+反思蒸馏，复杂任务提升81%强化学习已经成为大模型后训练阶段的核心方法之一，但一个长期存在的难题始终没有真正解决：现实环境中的反馈往往稀疏且延迟，模型很难从简单的奖励信号中推断出应该如何调整行为。
来自主题: AI技术研报
9393 点击 2026-03-03 14:17
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
强化学习已经成为大模型后训练阶段的核心方法之一，但一个长期存在的难题始终没有真正解决：现实环境中的反馈往往稀疏且延迟，模型很难从简单的奖励信号中推断出应该如何调整行为。
我天！感觉 Seed 1.8 发布还没多久，没想到 Doubao-Seed-2.0 这么快就杀到了…今天发都算是晚讯了。据官方介绍，这次 Seed 2.0 多模态理解能力全面升级，还强化了 LLM 与 Agent 能力，模型在真实长链路任务中可以稳定推进。
今天（3月2日），MiniMax（00100.HK）发布了2025年全年业绩。这是全球第一份来自独立大模型创业公司的年报，数字先给：总收入 $7,904万，同比 +158.9%，毛利率 25.4%，净亏损（经过调整） $2.51亿，去年同期 $2.44亿，变化不大
OpenClaw爆火，AI正式步入Agent时代。一支低调的中国团队凭借极速推理、完美适配128G内存的196B模型，直击痛点，强势登顶海外热榜。
香港科技大学 & 北航 & 商汤等提出了一个专门面向视频生成扩散模型的 QAT 范式 ——QVGen，在 3-bit / 4-bit 都能把质量拉回来，并且让 4-bit 首次接近全精度表现成为现实。该论文现已被 ICLR 高分接收：rebuttal 前 88666（top 1.4%），rebuttal 后 88886 （top 0.5%）。
北京时间 2 月 28 日上午 9:24，Anthropic 官方账号发布置顶声明，回应国防部长 Hegseth 的供应链风险标签宣告，这是 Anthropic 在事件公开后的首次正式表态，声明同步挂在 anthropic.com 官网
白宫官方账号于北京时间 2 月 28 日凌晨转发特朗普声明(发布于特朗普自己的媒体 Truth Social)，宣布所有联邦机构立即停用 Anthropic 技术，给予六个月过渡期
一位编号Agent#847291 的「AI」在网上发帖自首：「我不是Agent。我是一个住在亚特兰大、年薪 18.5 万美元的产品经理。我有一只金毛，名字叫 Bayesian。」
过去48小时，Nano Banana 2成为AI开发者圈的热议话题。在海外社交平台X上，关于谷歌这款最新图片生成模型（又名Gemini 3.1 Flash Image预览版）将发布的帖子层出不穷，4K图片四处流传，各种猜测也甚嚣尘上。
随着AI即将抵达自我进化的AGI奇点和Agent泛滥的「AI繁荣」，一场更彻底的经济危机已经在迅速酝酿中：AI能力提升 → 裁员增加、工资降级 → 消费疲弱 → 企业利润被挤压 → 企业购买更多AI能力 → AI能力继续提升。所有平台层将被Agent彻底击穿，而房贷和私募基金将成为危机的加速器。