在上下文感知微调阶段，Seed-ASR模型通过生成与转录文本相关的自然语言上下文，并使用这些上下文和语音表示进行训练，从而增强模型在复杂语境下的识别能力。这篇论文提出的Seed-ASR模型通过阶段化的训练方法，包括SFT、Context SFT和RL，在多个评估集上表现出显著的性能优势。1.高识别准确率：通过在超过2000万小时的语音数据和近90万小时的配对ASR数据上进行训练，Seed-ASR(

本文系统介绍强化学习在大模型中的应用，从基础理论到核心算法(Q-learning、PPO、DPO等)，重点解析Agentic RL与LLM-RL的本质区别。强调Agentic RL在多步决策、工具调用中的必要性，并详述Hugging Face TRL、ms-swift等主流框架及业界实践。文章指出，Agentic RL已成为智能体时代的标配技术，能赋予模型自主执行与持续进化能力，是构建复杂AI系统

大模型训练正从预训练转向后训练阶段，强化学习(RL)成为关键。文章详细介绍了RLHF(基于人类反馈)和RLVR(可验证奖励)两种强化学习方法，对比了PPO和GRPO等算法。针对RL训练中推理与训练系统耦合的复杂工程挑战，verl框架提供了有效解决方案，并提出了投机式Rollout等性能优化技术，显著提升大模型在复杂任务中的推理与决策能力。

本文面向已了解强化学习中策略梯度（policy gradient）、优势函数（advantage）、重要性采样（importance sampling）等概念的读者，重点对大模型强化学习主流算法做一条线的梳理与比较。

近年来，AI大模型席卷各行各业，我们感受到它强大的语言理解和生成能力。但在实际应用中，光“能说会道”还不够，更重要的是“能说还得能做”。大模型如何跨出文本世界，触达数据库、调用接口、执行代码？答案就是：MCP（Model Context Protocol）模型上下文协议。今天这篇文章，我们将详细解读 MCP 能做什么、它的工作原理以及它是如何打破大模型“只能说不能做”的边界。后面的文章中会分享Cu

并且在该文件内，添加和配置上面我们引入的库文件。4、在app的build.gradle中添加ffmepg的配置项。5、在你需要使用的地方调用这里用简单的activity来举例，首先我们是在伴生对象里初始化“native-lib”，然后定义一个external方法，方法名随意，由于没有实现，所以会报错，但是只需要根据Androidstudio的提示，利用快捷键就能自动在native-lib.cpp文

上一篇用实战代码演绎了 Feeds 流场景下，业务层代码如何从 “无架构”到“MVP”再到“MVVM”，并使用`LiveData`承载整个数据链路。这一篇尝用 Kotlin Flow 替换掉 LiveData，看看会发生些什么变化及遇到哪些问题。

Android系统架构图：其中我们可以看到：Android 平台的基础是 Linux 内核。例如，Android Runtime (ART) 依靠 Linux 内核来执行底层功能，例如线程和低层内存管理。使用 Linux 内核可让 Android 利用主要安全功能，并且允许设备制造商为内核开发硬件驱动程序。Android****专用驱动。...

刚入行Android系统开发两年，发现在项目维护和需求开发的时候仅仅考虑快速解决，而没有深入理解其设计思想和思考高效稳定的解决方法，毕竟framework修改直接影响系统的稳定性，任何问题的修改，需要慎重。随着项目的开展和积累，越发觉得需要深入学习理解framework的设计，下面是网上和相关书籍总结的学习思路，仅仅在此汇总下。一、阅读Android源码的术与道：1、Android源码的道Andr

刚入行Android系统开发两年，发现在项目维护和需求开发的时候仅仅考虑快速解决，而没有深入理解其设计思想和思考高效稳定的解决方法，毕竟framework修改直接影响系统的稳定性，任何问题的修改，需要慎重。随着项目的开展和积累，越发觉得需要深入学习理解framework的设计，下面是网上和相关书籍总结的学习思路，仅仅在此汇总下。