AI 与科学前沿 · 2026-10-12

一个语言模型改从预测市场的价格变动里学行为推理，在 Polymarket 上方向准确率做到 0.674，并且不接触任何个人标注就零样本迁移到四个用户模拟基准。

一个语言模型改从预测市场的价格变动里学行为推理，在 Polymarket 上方向准确率做到 0.674，并且不接触任何个人标注就零样本迁移到四个用户模拟基准。

多智能体强化学习不再需要读取同伴的私有奖励：每个智能体用自己学到的奖励模型去评估同伴的转移，在 Escape Room、Clean Up 和 Commons Harvest 三个序贯社会困境中都能学出合作，且常比能看到真实奖励的智能体分得更均。

多智能体强化学习不再需要读取同伴的私有奖励：每个智能体用自己学到的奖励模型去评估同伴的转移，在 Escape Room、Clean Up 和 Commons Harvest 三个序贯社会困境中都能学出合作，且常比能看到真实奖励的智能体分得更均。

把监督微调的参数更新限制在在线策略训练给出的方向上，SFT的泛化能力追平GRPO，训练时间还减少一半以上。

把监督微调的参数更新限制在在线策略训练给出的方向上，SFT的泛化能力追平GRPO，训练时间还减少一半以上。

德州2017至2025年5601890起车祸中，一个读编码表的模型与一个读警员叙述的模型被同一套抽样设计连起来，得到带区间的人口计数：手机使用相关伤害事故叙述记下15074起，编码字段只记7340起。

德州2017至2025年5601890起车祸中，一个读编码表的模型与一个读警员叙述的模型被同一套抽样设计连起来，得到带区间的人口计数：手机使用相关伤害事故叙述记下15074起，编码字段只记7340起。

离线评测要单独决定一次改动能否上线，需要的不是评测与人工判断是否一致，而是同类改动中评测增益能否预测线上增益；在Upworthy档案的183次独立改动上，两侧测量都很精确，合并后的这一关系仍然很弱，示例门控把每一次改动都送去A/B测试。

离线评测要单独决定一次改动能否上线，需要的不是评测与人工判断是否一致，而是同类改动中评测增益能否预测线上增益；在Upworthy档案的183次独立改动上，两侧测量都很精确，合并后的这一关系仍然很弱，示例门控把每一次改动都送去A/B测试。