过程监督 LLM-DailyDigest 2026-08-21 2026-08-21 约 100 字 预计阅读 1 分钟 过程监督 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 三维生成 1 Scene-Designer：智能体驱动的 3D 室内场景生成 10-20 上下文学习 1 智能体上下文学习：Transformer 在闭环交互中能学会哪些算法？ 10-19 价值估计 1 PPO Critic 的价值扁平化及稀疏监督缓解方法 09-17 信用分配 6 RIPPLE：面向长程编程智能体的恢复内化与阶段化信用分配 10-23 Self-Credit：长程智能体强化学习的组内重缩放信用分配 10-21 PACE：以成对词元对比与自适应轨迹置信度增强多模态 RLVR 10-18 KnowGPO：面向深度搜索智能体的知识分组策略优化 10-18 用于算术推理的 Bellman 一致轨迹强化学习 10-18 超越结果奖励：搜索智能体的检索信用构建与分配 10-08 反思优化 1 SRPO：面向长程推理的自反思策略优化 08-25 图像编辑 1 DARS：面向指令图像编辑的双层信用分配强化学习 08-21 在策略蒸馏 4 能力强的教师、短视的评分器：无奖励教师修复用于智能体在策略蒸馏 10-21 OPTD：对齐层间预测变化的在策略蒸馏 10-21 MultiAgent-OPD：分层多智能体系统的端到端在策略蒸馏训练 10-19 OPRD：面向长程编程智能体的在策略提醒蒸馏 10-18 多模态推理 1 TPAE：词元级感知扎根优势估计强化多模态推理 10-01 奖励建模 1 DRACO：动态评分准则驱动的长程智能体细粒度信用分配 09-07 奖励机制设计 4 Tev：以密集进度奖励扩展长时程智能体环境 10-18 SLCA-GRPO：纠正工具调用强化学习的跨片段信用归因 09-29 反事实回放：可分叉环境为软件工程智能体提供过程奖励 09-29 ProCredit：从结果奖励转向智能体进度信用分配 09-24 安全评测 1 模型内部激活信号可规模化检测奖励作弊 09-18 思维链 1 思维链可监控性可通过后训练提升 10-22 推理优化 1 SAGE以结构信号纠正长程推理偏差 10-08 推理早停 1 AURA：效用引导的自适应推理提升文本检索效率 10-18 测试时训练 1 PROSE：以过程奖励修复医疗问答中的测试时强化学习 09-16 程序修复 1 WebLoop：面向网页生成的执行反馈闭环学习 10-10 策略优化 1 TASPO：协调过程监督与结果信用的智能体策略优化 09-01 自我反思 1 UMM-Reflection：交错强化学习赋予统一模型原生反思能力 09-30 训练归因 1 训练期间模型行为的可扩展归因与控制 09-29 训练策略 1 无 CoT 数据下：Next-Chunk Reasoning RL 真的优于 SFT 吗？ 08-25 轨迹筛选 1 SWE-Prime：更少轨迹实现更强软件修复性能 08-28 过程信用分配 1 MileGPO：基于局部证据的长程智能体里程碑信用分配 08-21 过程奖励模型 7 强 MoE 即可实现过程监督：基于专家路由的置信度与奖励建模 10-22 BoT-GRPO：基于词元袋聚合的高效过程奖励强化学习 10-08 RSP：通过推理状态传播学习过程奖励 10-01 SPRING：SMT 求解器引导的逻辑推理过程奖励 09-30 ConsensusBench：用共识节点稠密化大模型推理奖励 09-07 SiLR：LLM 工具智能体的结构保持准入与过程奖励 09-07 Cliff：从首次错误学习过程奖励 09-03 长期记忆 1 AiO-Mem：基于过程奖励强化学习的一体化记忆智能体 10-18 长程智能体 1 英伟达 AVO 在 ARC-AGI-3 通关 183 关并获满分 08-23 顶级会议论文 1 小米 8 篇大模型与智能体论文入选 EMNLP 2026 08-29
