SGPO：提升大語言模型推理能力的新策略
策略引導策略優化（SGPO）以可重用的策略蒸餾取代了標準的軌跡模仿，旨在提升大語言模型的推理能力。透過使用自適應加權和標記級前向 KL 散度目標，該方法能幫助模型學習可遷移的問題解決技能，而非僅僅是死記硬背步驟。
Search
直接匹配不多，已補上最新動態。
Tag: #policy-optimization3 results
Apple PORTool 提升多工具 LLM 推理
Apple 推出 PORTool，一種具重要性感知的政策優化演算法，使用獎勵樹訓練 LLM 工具使用代理。透過從結果監督分配步驟級獎勵，解決信用分配模糊問題。這能更好地強化複雜任務中的中間推理與工具決策。
PAPO 透過解耦正規化穩定評分表訓練
程序感知策略優化（PAPO）透過解耦優勢正規化，將基於評分表的程序評估整合至 GRPO，以解決 ORM 的均勻正確性問題及 PRM 的獎勵駭客問題。它組合全域正規化的結果優勢（Aout）與僅正確回應正規化的程序優勢（Aproc）。PAPO 在基準測試中勝過基線，在 OlympiadBench 達 51.3%，優於 ORM 的 46.3%。
AI 需求先暴增，利潤仍在路上
GDS Holdings 顯示，AI 相關資料中心訂單的增長速度快於已確認收入。這項趨勢反映需求強勁，但基礎設施擴建週期也使獲利延後。
Windows 為何成為 AI PC 的絆腳石
隨著 AI 工作負載提高對系統資源的需求，Microsoft 正重新最佳化 8GB 以上裝置的 Windows 記憶體使用。文章認為，舊版相容性、整合服務、WebView2 與分散的資源管理，正壓縮本地模型和 AI Agent 可用的記憶體空間。
星海圖探索具身智能產業化
量子位報導星海圖與產業夥伴共同討論具身智能從模型走向生產力的路徑。文章強調透過產業協作，推動具身智能真正落地到多個行業。
Codex 正縮小與 Claude Code 的差距
OpenAI 表示 Codex 活躍使用者已突破 2,000 萬，第三方追蹤數據則顯示其近期增速超越 Claude Code。Claude Code 目前規模仍較大且深受開發者採用，但隨著 Anthropic 接近早期市場飽和，其高速成長已經放緩。
🔬
腦機介面助患者重新站立與看見
中國多項臨床試驗正利用腦機介面，協助脊髓損傷患者站立與行走，並讓失明患者恢復有限的視覺感知。試驗結果差異很大，凸顯這項技術的潛力，以及目前在訊號採集、解碼與復健方面的限制。
Alibaba 重組 AI 與雲端業務
據報 Alibaba 正合併電商業務、整合雲端與晶片業務，並將 Qwen 拆分為獨立子公司。報導亦涵蓋 Unitree 計畫登陸科創板、Anthropic 據傳的年化營收，以及 Alibaba 持續投入 AI 對利潤與現金流造成的壓力。
Meta 因具成癮性的平臺設計面臨審判
California 與其他 28 個州指控 Meta 設計 Facebook 和 Instagram 使其具成癮性、違反兒童隱私法，並隱瞞相關做法。檢方將其涉嫌採取的策略概括為「吸引、留住、收集、隱瞞」。