登录社区云，与社区用户共同成长
邀请您加入社区
还记得我们在第六章subagent末尾的提到的有向无环图吗？那时我们幻想让多个agent去分解一个大任务，那本章就基于这一问题的解决方案task_system。任务如何做持久化操作、A 做完了 B 才能开始，这层关系怎么表达，谁来检查、如何构建这种依赖关系、如何维护生命周期等等这些操作。本章，我们的任务是：1，从0开始构建整个任务分发系统。2，跑几个测试。整个任务分发有点像操作系统中死锁那一章节。
llamafactory_自我认知数据训练
本文综述了强化学习在提升大型语言模型（LLMs）为大型推理模型（LRMs）能力中的最新进展与挑战，回顾了以 OpenAI o1 和 DeepSeek‑R1 为代表的里程碑，强调通过 train‑time RL 与 test‑time compute 可放大长链推理能力
SEARCH-R1代表了构建能与外部信息源动态交互的大型语言模型的重要进展。通过将强化学习与搜索引擎交互有机结合，该模型不仅提高了事实准确性，还增强了多轮交互中的推理能力。强化学习与基于搜索推理的创新性集成在多样化数据集上验证的明显性能提升对不同模型架构和规模的适应性与灵活性奖励机制虽然设计简洁有效，但对于更复杂应用场景可能需要进一步优化对预定义搜索接口的依赖可能限制了系统对多样化信息源的适应能力
深度神经进化是一种新兴的人工智能技术,它结合了深度学习和进化算法的优势。这种方法使用进化算法来优化深度神经网络的参数,而不是传统的基于梯度的方法。近年来,深度神经进化在强化学习等领域展现出了巨大的潜力,成为了机器学习研究的一个热点方向。遗传算法是深度神经进化中最基础和广泛使用的算法之一。在深度神经进化中,GA被用来优化神经网络的权重和结构。Uber AI实验室的研究表明,一个简单的GA就能够有效地
在这篇文章中，我们将尽可能详细地梳理一个完整的 LLM 训练流程。包括模型预训练（Pretrain）、Tokenizer 训练、指令微调（Instruction Tuning）、奖励模型（Reward Model）和强化学习（RLHF）等环节。
大语言模型（LLMs）彻底改变了自然语言处理领域，并催生了各种各样的应用。在海量网络规模数据上进行的预训练为这些模型奠定了基础，然而目前研究界越来越关注微调技术，以期取得进一步的突破。虽然预训练提供了广泛的语言基础，但微调方法使大语言模型能够完善知识、提高推理能力、增强事实准确性，并更有效地与用户意图和道德考量保持一致。微调、强化学习和测试时缩放(Scaling)已成为优化大语言模型性能、确保鲁棒
语言模型
——语言模型
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openEuler 社区
AI Agent技术社区
天工造物局
