Archive
全部文章
共 193 篇。按时间倒序排列。
2026
- 2026 年 7 月 arXiv 大模型论文精选与解析
- LeetCode Hot100 · 缺失 27 题完整补充
- 2025–2026 国内大厂 Agent 面经:从 RAG 到 Harness Engineering
- SayCan 精读:让机器人既“会说”,又“做得到”
- MRKL Systems:把大模型变成“会找工具的总调度”
- WebShop 精读:把“帮我买到合适的东西”变成可训练的 agent 问题
- 《Inner Monologue: Embodied Reasoning through Planning with Language Models》中文精读
- 《Code as Policies》中文精读
- 《ReAct: Synergizing Reasoning and Acting in Language Models》中文精读
- 《Toolformer: Language Models Can Teach Themselves to Use Tools》中文精读
- Reflexion 精读:不改权重,把失败写成下次能用的经验
- 《CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society》中文精读
- 《Generative Agents: Interactive Simulacra of Human Behavior》中文精读
- Voyager 精读:让 Minecraft agent 自己选课、练技能、存代码
- 《WebArena:用于构建自主智能体的真实网页环境》中文精读
- 《AgentBench:将大语言模型作为智能体进行评估》中文精读
- 《OSWorld:在真实计算机环境中评测开放式多模态智能体》中文精读
- 《SWE-agent:Agent–Computer Interface 推动自动化软件工程》中文精读
- τ-bench 精读:不只问 agent “会不会做”,还问“每次都能做对吗”
- AgentDojo 精读:当工具返回也能对 agent 下命令
- AppWorld 精读:让 agent 在可重置的数字世界里写代码办事
- 《The AI Scientist:走完科研流水线,不等于证明了科学发现》中文精读
- 《Magentic-One:用双账本让专用代理在停滞时重规划》中文精读
- A-MEM 精读:让 agent 的记忆从“一堆相似片段”变成会链接、会改写的笔记网
- 《SWE-Lancer:前沿大模型能从真实自由职业软件工程中赚到 100 万美元吗?》中文精读
- 《为什么多智能体大语言模型系统会失败?》中文精读
- 《PaperBench: Evaluating AI’s Ability to Replicate AI Research》中文精读
- 《BrowseComp: A Simple Yet Challenging Benchmark for Browsing Agents》中文精读
- 《Darwin Gödel Machine:开放式演化的自改进智能体》中文精读
- 《Agentic Context Engineering:为自改进语言模型演化上下文》中文精读
- AgentLAB Security 精读:安全失守不是一句话,而是一条被逐步改写的轨迹
- General AgentBench 精读:工具更多之后,“算得更久”为何不一定做得更好
- GenericAgent:把有限上下文当作信息预算,而不是无底洞
- GroupMemBench:群聊记忆难在“谁在何时对谁说了什么”
- AgentGym2 精读:把现实世界藏在基准里的“脏活”还给 agent
- Claude Code 源码解析:共享 Query Loop 与产品能力栈
- 上下文、会话、压缩与子代理:四种状态模型
- 四个 Coding Agent 功能总矩阵:控制权放在哪里
- UI、SDK、协议与可观测性:四种接入面如何统一
- Agent Loop 与工具执行:四种控制流如何运转
- 权限、沙箱与扩展:四种安全边界如何落地
- Coding Agent 源码解析导读:版本、证据与四种控制面
- DeepSeek Harness 源码解析:Cordis 组合与持久事件面
- OpenAI Codex 源码解析:App Server 与本地 Agent OS
- Pi Agent 源码解析:最小核心、多模型与宿主扩展
- A3C:用许多不同步的学习者替代经验回放
- Dueling DQN:把“这个状态好不好”和“此刻该按哪个键”分开学
- GAE:在“看得远但噪声大”和“看得近但偏差大”之间连续调节
- PPO:用裁剪概率比限制一批数据被“用过头”
- 从人类偏好学深度强化学习:先学“怎样算好”,再让策略去优化
- 分布式强化学习:C51 不只猜平均回报,还猜回报的整个分布
- Soft Actor-Critic:让策略既追求高回报,也保留多种好选择
- TD3:别让 actor 把 critic 的估计误差当成捷径
- IMPALA:让大量 actor 放手采样,再用 V-trace 修正“旧策略数据”
- PlaNet:不预测未来像素,也能在“脑内”试动作
- R2D2:让循环网络从回放中学习,而不被“过期记忆”带偏
- RND:用“还没学会模仿随机老师”衡量新奇
- 从人类偏好微调语言模型:reward model、PPO 与 KL 约束的早期完整范式
- Dreamer:让策略在潜空间里“做梦”学会长期控制
- MuZero:不知道游戏规则,也能学会为搜索服务的世界模型
- CQL:离线强化学习里,先把没见过动作的虚高分压下来
- Learning to summarize from human feedback:把“人更喜欢哪篇摘要”变成语言模型的奖励
- Decision Transformer:把离线决策改写成“按目标回报续写动作”
- Trajectory Transformer:把动力学、行为约束和规划装进一次序列生成
- WebGPT:让语言模型浏览网页,并把人类偏好变成可优化的答案分数
- InstructGPT:把“续写互联网文本”改造成“按人的意图办事”
- HH-RLHF:同一个奖励怎样兼顾“有帮助”与“不伤人”
- Sparrow:把笼统“安全”拆成可逐条追问的规则
- Constitutional AI:用原则驱动自我修订与 AI 偏好标签
- RL4LMs 与 NLPO:给语言策略优化一套可比较的试验台
- DPO:把“奖励模型 + PPO”化成一次偏好分类
- Fine-Grained RLHF:告诉模型“哪一句、错在哪”
- RRHF:把候选答案按奖励排序,再让语言模型学会同样排序
- Let's Verify Step by Step:把“答案错了”拆成“第几步开始错”
- RLAIF vs. RLHF:把偏好标注员从人换成大模型,其他环节尽量不动
- DeepSeekMath / GRPO:用同题多个答案的相对得分取代巨大的价值模型
- RLOO:把一整段回答当成一个动作,用其他采样估计它的起跑线
- KTO:不凑偏好对,也能用“好/坏”标签直接对齐
- ORPO:把 SFT 与偏好惩罚合成一次训练
- SimPO:让训练奖励与生成时的平均似然对齐
- Self-Rewarding Language Models:同一个模型既作答又当裁判
- RewardBench:先测清“裁判”会不会判,再让策略听它的话
- DeepSeek-R1:可验证奖励怎样把长推理“练”出来
- Kimi k1.5:把长上下文、可验证奖励和训练系统一起扩展
- DAPO:让长思维链强化学习既能探索,也能稳定获得有效梯度
- Understanding R1-Zero-Like Training:先审计 base、模板和 loss,再谈“推理涌现”
- Search-R1:用最终答案奖励学习“何时搜、搜什么、何时停”
- RAGEN:多轮智能体强化学习为何先变好、再掉进“回声陷阱”
- SWE-RL:不用执行测试,也能从真实补丁的“相似程度”训练代码修复策略吗?
- Absolute Zero:模型自己出题、自己解题,但“零数据”究竟零掉了什么?
- SPIRAL:让同一个语言模型在零和游戏里左右互搏
- DPPO:大词表里,概率“倍数”不是策略“距离”
- ICRL for Tool Use:训练时给示范扶手,再一阶阶撤掉
- SAGE:让出题、规划、求解和质检共同训练,但闭环仍受验证器与课程漂移约束
- Q-Evolve:在每轮混合数据支持内分配过程信用,再用新交互进入下一轮
- AReaL2.0:把自进化 agent 的瓶颈从单个 RL 算法提升为数据协议、代理与控制平面
- 01. The Annotated Transformer:把论文变成可执行的解释
- 02. The First Law of Complexodynamics:为什么“有趣”通常出现在秩序与随机之间
- 03. The Unreasonable Effectiveness of RNNs:一个预测下一个字符的模型为何能学出结构
- 04. Understanding LSTM Networks:门控如何建立一条较稳定的记忆路径
- 05. Recurrent Neural Network Regularization:dropout 应避开哪条记忆通路
- 06. Keeping Neural Networks Simple by Minimizing the Description Length of the Weights:把泛化写成通信成本
- 07. Pointer Networks:让输出词表随输入一起变化
- 08. ImageNet Classification with Deep Convolutional Neural Networks:深度学习跨过工程临界点
- 09. Order Matters: Sequence to Sequence for Sets:无序对象为什么仍有“顺序问题”
- 10. GPipe:用微批次把超大模型流水化
- 11. Deep Residual Learning:把“学一个函数”改写成“修正恒等映射”
- 12. Dilated Convolutions:不降采样也能看见大范围上下文
- 13. Neural Message Passing:用一个框架统一分子图网络
- 14. Attention Is All You Need:把序列计算改造成全局可寻址的并行图
- 15. Jointly Learning to Align and Translate:注意力从“压缩整句”走向“按需读取”
- 16. Identity Mappings:让残差主干真正成为无障碍信息高速路
- 17. Relation Networks:把“比较对象”写进网络的计算图
- 18. Variational Lossy Autoencoder:用解码器的盲区决定潜变量记住什么
- 19. Relational Recurrent Neural Networks:让固定容量记忆在每一步内部自注意
- 20. Coffee Automaton:复杂度为何先升后降,以及一个必须保留的反例教训
- 21. Neural Turing Machines:让神经网络学习可微的读、写与寻址
- 22. Deep Speech 2:端到端不仅是一个损失函数,而是一整套规模化系统
- 23. Scaling Laws:把“做多大、喂多少数据、练多久”变成可拟合的工程问题
- 24. Minimum Description Length:把学习定义为寻找最短的“模型 + 数据”编码
- 25. Machine Super Intelligence:从 Solomonoff induction 到 AIXI 与通用智能度量
- 26. Kolmogorov Complexity and Algorithmic Randomness:把规律定义为可压缩的程序结构
- 27. CS231n(2016):从梯度检查到训练 ImageNet 网络的实践底座
- 28. Memory-Augmented Neural Networks:把一次性学习变成“写入—检索”
- 29. Prototypical Networks:让少样本分类退化成“离哪个中心最近”
- 30. MAML:学习一个“一两步就能学会”的参数起点
- 2025–2026 厂商真题精讲:把 slime 讲进面试
- 两个 verl 修复 PR 的完整拆解:#7150 与 #7151
- 2025–2026 大厂面试真题与热点精讲:verl 与 LLM RL
- Agentic RL 与多轮工具调用
- 笔试测评与 AI 面试指南
- 求职信息源清单与检索手册
- GRPO、RLVR 与新方法坐标系
- 2025—2026 国内大模型算法岗招聘、面经与笔试汇总
- Reward Model、DPO 与偏好学习
- 大模型强化学习 30 天学习与项目计划
- 强化学习手写练习与递进实验
- 多模态 RL、奖励模型前沿与 RL Scaling
- 大模型强化学习面经:79 张答案卡
- 大模型强化学习岗位地图与学习入口
- 大模型强化学习资料与面经来源索引
- 大模型 RL 训练系统、指标与排障
- RLHF 与 PPO:从四模型数据流到训练指标
- 大厂大模型部门格局与选组指南(2026-08)
- 2027 届秋招作战总计划(2026-09-08 更新)
- 2027 届秋招时间线与投递策略
- 招聘窗口与刷新日志(2026-09-08 快照)
- 大模型算法岗简历与投递材料指南
- 强化学习数学地基与 MDP
- 策略梯度、Actor-Critic 与 GAE
- 从 Monte Carlo、TD 到 Q-learning
- ACM 模式输入输出速查(Python)
- 2024–2027 大厂算法岗笔试作战手册
- CS336 Assignment 3:从 IsoFLOPs 到 48 B200-hour 配置外推
- CS336 Assignment 5:从 GRPO 到 DPO 的 Alignment 实战
- CS336 Assignment 1:从 BPE 到 Transformer 语言模型
- CS336 Assignment 2:从 FlashAttention 到 FSDP
- CS336 Assignment 4:从 Common Crawl 到可训练语料
- 大厂笔试超纲补丁:模板 28–35
- 大厂笔试模式识别与组合题决策树
- 大厂笔试提分补丁 v2:模板 36–44
- LeetCode Hot100 补充篇:位运算、数学与杂项技巧
- LeetCode Hot100 · 18 大算法模板与决策术
- 大模型算法岗 30 天冲刺计划
- 2025—2027 大模型算法岗题库与证据账本
- 大模型算法岗面试与备战指南
- ML / AI Coding 算法岗笔试补丁
- 算法与损失:从 RL 术语到 slime 的真实实现
- 架构与控制流:一次 rollout 如何变成一次参数更新
- 配置、资源与权重同步
- 数据管线:从一行数据到一次 Actor 更新
- 调试、可靠性与性能
- 扩展点与真实场景
- slime 面试与源码解读指南
- 面试题库与模拟追问
- 项目全景:slime 解决什么问题
- 源码阅读路线
- 同步、流水异步与 fully-async
- verl 算法与数学实现:PPO、GRPO、RLOO 与 DAPO
- verl 系统架构:Role、WorkerGroup 与 DataProto
- verl 配置方法与真实训练场景
- verl 的数据、奖励、多轮 Agent 与 VLM
- verl 实战:从训练数据到 Hugging Face 模型导出
- verl 分布式执行与训练、Rollout 后端
- 如何扩展 verl:算法、Reward、模型与后端
- verl 高频面试题与回答框架
- 十分钟读懂 verl:架构、算法与训练主线
- verl 性能分析、稳定性与排障
- verl 必备背景:RLHF、PPO 与推理训练协同
- verl 源码导航与七天学习路线
- 一次 verl 训练如何跑起来
- verl 进阶能力与版本边界
- 为什么 Codex 总在压缩:一次会话复盘与源码核对