⏶
90
使用一个训练样本对大型语言模型进行推理的强化学习
⏶
90
统一的多模态思维链奖励模型：通过强化微调实现
⏶
88
Table-R1：面向表格推理的推理时缩放
⏶
66
Spatial-MLLM：提升MLLM在基于视觉的空间智能方面的能力
⏶
53
视觉规划：只用图像思考
⏶
45
通过 GRPO 对多模态 LLM 推理进行无监督后训练
⏶
43
ARM：自适应推理模型
⏶
36
通过带有冷启动的强化学习推进多模态推理
⏶
35
基于预算相对策略优化的随时推理优化
⏶
24
通过弹性推理的可扩展思维链
⏶
23
CPGD: 迈向用于语言模型的稳定基于规则强化学习
⏶
22
通过拒绝采样和强化学习中的梯度方差最小化来优化思维链推理器
⏶
20
AV-Reasoner：改进和基准测试 MLLM 的线索导向音视频计数
⏶
19
DUMP：基于RL的LLM后训练的自动化分布级别课程学习
⏶
15
借星引航：大型语言模型在后训练和测试阶段扩展中从奖励中学习的综述
⏶
15
StreamBP：LLM 长序列训练的内存高效精确反向传播
⏶
14
LLM推理的极简主义方法：从拒绝采样到强化学习
⏶
14
Active-O3：通过 GRPO 赋予多模态大语言模型主动感知能力
