OpenAI 最近发布的 o1 模型在数学、代码生成和长程规划等复杂任务上取得了突破性进展，据业内人士分析披露，其关键技术在于基于强化学习的搜索与学习机制。

该框架下，Agent 能够拥有记忆、工具使用、规划、反思、与外界环境交互、主动求助专家等多种能力，并且通过强化学习实现所有能力的端到端训练。

无需依赖外部反馈或额外模型，纯纯的自我纠正。

9.11和9.8哪个大还是答不对。

大模型领域的技术发展，今天起再次「从 1 开始」了。

自博弈（self-play）指的是智能体通过与自身副本或历史版本进行博弈而进行演化的方法，近年来在强化学习领域受到广泛重视。

RLHF 与 RL 到底能不能归属为一类，看来大家还是有不一样的看法。

在「主场」SIGGRAPH，英伟达发布了一系列AI新技术。

具身智能是实现通用人工智能的必经之路，其核心是通过智能体与数字空间和物理世界的交互来完成复杂任务。

OpenAI 的新奖励机制，让大模型更听话了。