可验证奖励强化学习在小型搜索智能体中的应用研究
该研究探讨了可验证奖励强化学习（RLVR）在开放域问答与搜索任务中的适用性。以往该方案多应用于数学和代码等奖励明确的大模型场景，10亿参数以下小模型通常依赖大模型蒸馏。研究人员采用群体相对策略优化（GRPO）算法，直接在0.8B参数的Qwen3.5小模型上测试“检索后推理”架构，探索无需教师模型蒸馏即可使端侧小型搜索智能体掌握复杂检索与推理能力的可行性。
DC AI 热点
精选
当前热点完整榜单 →
1微软发布新版Copilot超级应用：整合聊天、编程与智能体能力82 热度 ⌁2Anthropic 与 Akamai 达成 116 亿美元云算力协议，年内算力支出承诺已超 5000 亿美元79 热度 ⌁3前特斯拉Dojo高管创立的AI芯片初创公司估值达100亿美元79 热度 ⌁4马斯克披露AI算力布局：Colossus集群拟部署超百万张英伟达GB300芯片78 热度 ⌁5谷歌启动Project Suncatcher：计划下周开展首个太空轨道数据中心测试78 热度 ⌁9月25日2026-09-25