·技术
1 分钟0
大模型强化学习综述：从 RLHF 到经验时代，一条四十年的因果链
> "大模型 RL" 并不是从 ChatGPT 才开始的。它背后是一条从 1989 年 Q-learning 延续至今的因果链。本篇是这个系列的总览：把前世（经典 RL → RLHF）、今生（DPO 浪潮 → RLVR 推理革命 → Agentic RL）、未来（经验时代）串成一张图，并给出后续五篇
·技术
1 分钟0
去 RL 化浪潮：DPO 家族与「在线 vs 离线」的三年之争
> 2023 年 5 月，斯坦福的一篇论文把 RLHF 里最贵的两个部件——奖励模型和 PPO——用一行监督学习损失函数替换掉了。DPO 引发的"去 RL 化"浪潮在此后两年席卷开源社区，又在"在线 RL 派"的反击中退回到它最擅长的领域。本篇讲清这场范式之争：DPO 到底做对了什么、输在哪里、以及
·技术
1 分钟0
RLVR 信用分配综述：一条长推理链，功劳到底算谁的？
想象一个具体场景：模型做一道竞赛数学题，写了一条 1000 token 的思维链，最后答案对了，奖励 +1。 这条链里，有真正决定走向的关键分叉（比如第 127 个 token 处的「Wait, let me reconsider」），有正确的代数推导，有中途算错又自己纠回来的一段，有重复验算了三
·多模态, 论文解读
1 分钟0
UMM论文解读07-后训练篇：从GRPO联合强化到自奖励闭环，统一模型如何自我进化
> 前六篇我们把 UMM 的架构演进讲透了：从 Transformer/VQGAN 的知识底座，到 Chameleon/Emu3/Show-o 的早期探索，再到 Janus-Pro/BAGEL/U1 的三种主流范式、VCoT 把视觉变成思维载体、以及向视频与世界模型的延伸。但架构只决定了模型"能做什
·AI, 大模型, Agent
1 分钟0
DeepSeek V4 Flash 深度解析：后训练驱动的 Agent 能力跃升与极致性价比
DeepSeek V4 Flash 深度解析：后训练驱动的 Agent 能力跃升与极致性价比 2026年7月31日，DeepSeek 正式上线了 V4-Flash 正式版 API。这次升级没有改动模型架构，纯粹靠后训练（Post-Training）就把 Agent 能力拉高了一大截，多项基准测