TurnWise：轮级 GRPO 改进流式视频 RL 的回答时机
_akhaliq · x · 2026-11-06
TurnWise 是一个轮级（turn-level）GRPO 框架，为流式对话中的每个决策（何时回答 vs 继续观看）单独分配信用。原版 GRPO 把同一正信号共享给所有决策，会强化重复回答；TurnWise 对带来新信息的回答给正奖励、对重复或无关回答给负奖励，在三个流式视频 benchmark 上超过已有 RL 方法。
所属事件:TurnWise 提出轮级信用分配改进流式视频 RL(2 条相关)→
「研究」频道最新
- METR 图表曝光 Anthropic「Model 4」：员工自报编程提效约 12 倍 — YashasGunderia · 2026-11-06
- 39 个 LLM 裸考解魔方：仅 2 个能稳定解开 20 步打乱 — JeremyCMorgan · 2026-11-06
- PolymathicAI 纽约团队招聘：实习、博士后到研究工程师多个 AI4Science 岗位 — cosmo_shirley · 2026-11-06
- Hugging Face 烧 80 万 GPU 小时发布免费 MoE 训练手册 — Thom_Wolf · 2026-11-06
- METR 数据：AI 基准增速翻倍，Anthropic Model 4 得 178.6 分 — scaling01 · 2026-11-06
- 博主实测 Astra 权重：输入输出单元竟可人类直读 — rupspace · 2026-11-06