阿里提出 ERPO：用环境正则化优化 LLM 策略
alibabagroup · hf · 2026-08-25
阿里巴巴团队发布论文《Beyond the Stability-Exploration Dilemma》，提出 ERPO（Environmental Regularization for Policy Optimization）。该方法通过输入端的查询分布控制替代动作端的策略正则化，旨在稳定语言模型的强化学习过程，同时保持响应探索能力，解决传统 RL 中稳定性与探索性难以兼顾的困境。
「研究」频道最新
- OSVerify：LLM 单边验证框架审查 OpenAI 11 篇数学预印本，发现 18 处问题 — james_y_zou · 2026-10-16
- 数据量决定智能边界：按数据排序后锯齿前沿变螺旋 — sebkrier · 2026-10-16
- Doc2Harness 基准：19 个前沿模型测编码 Agent，最高通过率仅 53% — _akhaliq · 2026-10-16
- 李飞飞团队开源 OpenWAM：统一世界-动作模型框架，让机器人视频预训练成大脑 — jiqizhixin · 2026-10-16
- NVIDIA TacitVLA：动作不读思维链，推理收益保留、延迟最高降 3.4 倍 — arankomatsuzaki · 2026-10-16
- Cohere Labs 世界模型公开课第 4 期：一文理清 DreamerV1-V4 架构演进 — Cohere_Labs · 2026-10-16