- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
大型推理模型的强化学习综述（1-4章）
我们希望本综述能促进未来关于 RL 在更广泛推理模型中应用的研究。 我们讨论了 LRM 强化学习中基础性且仍具争议的问题（§4），如 RL 的作用（§4.1）、RL 与监督微调（SFT）的对比（§4.2）、模型先验（§4.3）、训练方案（§4.4）及奖励定义（§4.5） 在过去一年中，RL 逐步拓展了推理模型及其应用的前沿边界。 除上述模型外，我们在图 4 中提供了推理模型的完整列表，并在表 1 中详列了开源模型的具体信息。 2.3 相关综述 在本小节中，我们比较了近期与强化学习（RL）和大语言模型（LLMs）相关的综述文献。 在温度设置方面，策略差异显著：部分研究提出动态调整方法，例如分阶段逐步升高温度（如针对 4B 模型从 1.40 → 1.45 → 1.50，针对 7B 模型从 0.7 → 1.0 → 1.1），以在训练过程中逐步扩大轨迹多样性
65920编辑于 2026-03-11 - 来自专栏CreateAMind
复杂情感推理模型
Sophisticated Affective Inference: Simulating Anticipatory Affective Dynamics of Imagining Future Events
51220编辑于 2022-11-22 - 来自专栏CreateAMind
复杂推理模型，信念的信念
换句话说，选择中心组是因为所有选项都有相同的贝叶斯风险4；而中央臂有最大的认知启示5。现在考虑一个老练的代理人，她想象她在表演后会做什么。 当视野小于4时，老鼠会被困在最靠近中心(即目标)位置的厌恶屏障的另一侧。这是因为任何离开这个位置的运动——一个小的偏移——比留在原地具有更小的预期自由能。 当规划范围不足以让大鼠考虑远端(和潜在更好的)结果时，就会发生这种情况(如左下和中间的图所示Figure 5).然而，当规划范围为4(或更多)时，这些局部最小值就失效了，rat很容易规划——并执行——到达目标的最短路径
53220编辑于 2022-11-22 - 来自专栏CreateAMind
层次推理模型 Hierarchical Reasoning Model
受人脑中分层和多时间尺度处理的启发，我们提出了分层推理模型（HRM），这是一种新颖的递归架构，能够在保持训练稳定性和效率的同时实现显著的计算深度。 2 分层推理模型 我们提出分层推理模型（HRM），其设计灵感来源于大脑中观察到的神经计算的三个基本原理： • 分层处理：大脑在皮层区域的层级结构中处理信息。 • 时间分离：大脑中的这些层级以不同的内在时间尺度运行，体现在神经节律中（例如，慢速的θ波为4–8 Hz，快速的γ波为30–100 Hz）30,31。 因此，梯度的传播路径为： 上述方法仅需 O(1) 的内存，无需进行时间上的展开，且可轻松通过 PyTorch 等自动微分框架实现，如图4所示。 4 大脑对应关系 系统神经科学中的一个关键原则是，大脑区域的功能多样性——即其处理多种且复杂任务的能力——与其神经表征的维度密切相关75,76。
15210编辑于 2026-03-11 - 来自专栏CreateAMind
概率性推理模型：综述
Possibilistic inferential models: a review 概率性推理模型：综述 https://arxiv.org/pdf/2507.09007 摘要 推断模型（IM）是一种用于构建可证明可靠的 第4节阐释 IM 提供的远不止是频率学派与贝叶斯学派的“统一”——IM 框架实际上弥补了两种范式的缺陷！ 首先，式（4）立即意味着可能性等高线的上 α 水平集是一个 100(1−α)% 置信区域。请注意，贝叶斯可信集和可信推断的置信集通常只能在样本量趋于无穷时渐近地达到置信集的地位。 因此： 最后，尽管有效性与强有效性在例如 Martin and Liu (2013, 2015b) 中曾被或多或少视为等价性质，但必须强调的是：强有效性（4）确实比有效性（6）更强。 如前所述，基于扩展的等高线（可从图4(b)中的联合等高线导出）结果更宽泛，缺乏基于轮廓解法的效率。图5(b) 还展示了基于“暴力搜索”策略的“精确”基于轮廓的边缘 IM 等高线（灰色线）。
12010编辑于 2026-03-11 - 来自专栏CreateAMind
视觉意识的主动推理模型
在这里,我们旨在通过推进全球神经元工作区的扩展(预测性全球神经元工作区(PGNW))来克服这些限制,该工作区将 GNW 的基本方面与更近期的(贝叶斯)主动推理方法相结合,以理解大脑功能。具体来说,我们提出了一个基于主动推理的视觉意识的层次化、部分可观察的马尔可夫决策过程(POMDP)模型。重要的是,我们利用与主动推理相关的神经过程理论,在神经生物学和模型提供的模拟之间建立明确的联系。
83520编辑于 2022-04-15 - 来自专栏CreateAMind
可能性推理模型：综述
可能性推理模型：综述 Possibilistic inferential models: a review https://arxiv.org/pdf/2507.09007 摘要 推断模型（Inferential 第4节阐明：IM 提供的远不止是频率学派与贝叶斯学派的“统一”——IM 框架实际上填补了这两种范式各自的漏洞！ 有关可能性 IM 的可信集的更多细节将在下文第 4 节中讨论。 3.5 计算 直到最近，计算 IM 轮廓 πz 只有朴素且相对低效的策略可用。 图 4(a) 展示了达尔文数据的可能性轮廓 πz。作为对比，背景中以灰色显示的是基于 Jeffreys 先验的贝叶斯后验分布的样本。 如上所述，基于扩展的轮廓（可从图 4(b) 所示的联合轮廓简单推导而来）结果更宽泛，且缺乏基于剖面解法的效率。
13910编辑于 2026-03-11 Claude Opus 4.6 vs GPT-4o：企业级深推理模型选型决策指南
一、Claude Opus 4.6 vs GPT-4o：核心差异1️⃣ 推理深度 Claude Opus 4.6：推理链条完整、逻辑偏保守、结构严谨 GPT-4o：推理速度快、表达灵活、创意能力强在多层条件嵌套 在开放式分析、创意生成与交互体验方面，GPT-4o 表现更流畅。 是 → 进入 Step 2 否 → 优先考虑 GPT-4oStep 2：是否依赖复杂多层规则推理？ 是 → Claude Opus 4.6 更稳 否 → GPT-4o 足够Step 4：是否强调结构化输出一致性？ 4.6智能客服GPT-4o内容生成GPT-4o产品交互体验GPT-4o三、企业架构趋势：从单模型到分层调度Claude Opus 4.6 与 GPT-4o 的对比，本质揭示了一个趋势： 企业不再“押注单一模型
34410编辑于 2026-02-06- 来自专栏CreateAMind
海马体what where记忆推理模型
Generalisation of structural knowledge in the Hippocampal-Entorhinal system https://www.groundai.com
1K20发布于 2018-07-20 使用xgboost的c接口推理模型
官方c api tutorial和文档，非常恶心的一点是，tutorial和文档问题很多。
68010编辑于 2024-02-27winform部署PaddleOCRV3推理模型
vd_source=989ae2b903ea1b5acebbe2c4c4a635ee 【源码下载】 https://download.csdn.net/download/FL1623863129/88723716
43610编辑于 2025-07-17- 来自专栏Dify
Dify 配置系统推理模型和 Embedding 模型
本文将详细介绍如何在 Dify中配置 LLM 系统推理模型模型和 Embedding 模型。准备好了吗？准备一杯你最喜欢的咖啡或茶，随着本文一探究竟吧。 系统推理模型系统推理模型即 LLM 大模型，用于对话，推理等场景。配置步骤进入 设置-模型供应商 页面。 小结本文详细介绍了如何在 Dify中配置 LLM 系统推理模型模型和 Embedding 模型。
8.1K75编辑于 2025-03-23 Gemini 2.5 Flash混合推理模型技术解析
Gemini 2.5 Flash是首个完全混合推理模型，允许开发者开启或关闭思考功能。该模型还允许开发者设置“思考预算”，以在质量、成本和延迟之间找到合适的权衡。
3100编辑于 2026-04-18- 来自专栏学习成长指南
Claude 3.7使用体验：全球首个混合推理模型
1.工具介绍 claude大模型是由Anthropic研发的，它的殊荣很多，比如全球首个混合推理模型：一个模型，两个大脑。对于一般任务，它可以快速响应；对于困难任务，它可以先思考（推理），再回答。 我下面使用自己的一次经历告诉大家这个AI工具应该如何进行使用： 首先，我们需要选择合适的，自己想要使用的版本，在这个对话框的右下角进行选择： 我们还可以选择合适的style，也就是这个风格，目前支持的是4种类型的风格供我们进行选择 右边的这个下拉的菜单里面还有一个download的选项，这个表示的就是直接把这个生成的代码下载下来； 如果遇到了问题或者报错，这个时候你仍然可以问他，这个时候大模型会给你提供对应的解决方案：我的合格问题就提供了4种解决的方案
69210编辑于 2025-04-09 - 来自专栏TechLead
重磅发布：OpenAI o1全新推理模型系列
2024年9月12日，OpenAI正式推出全新的推理模型系列——OpenAI o1。 在国际数学奥林匹克竞赛（IMO）中，GPT-4o模型只能正确解决13%的问题，而o1推理模型解决了83%的问题。在Codeforces编程竞赛中，其编程能力表现更是位列89百分位。 例如，在面对绕过安全规则的测试时，GPT-4o模型的表现得分为22（满分100），而o1-preview模型得分为84。 4. 适用场景 OpenAI o1模型系列特别适合那些在科学、编程、数学等领域中面对复杂问题的人群。 立即体验： 在ChatGPT Plus中试用o1-preview 通过API试用o1-mini OpenAI最新的o1系列推理模型，其先进的推理能力和广泛的应用场景为科研人员和开发者提供了更高效的解决方案
57710编辑于 2024-09-17 - 来自专栏R语言交流中心
R语言实现模糊逻辑推理模型
install.packages("FuzzyR") install.packages("shiny") 然后我们看下此包中推理模型所提供的隶属函数： ?
1.6K10发布于 2020-03-19 用NVIDIA NeMo构建电信自主网络推理模型
本文概述了如何使用某机构 NeMo 微调推理模型，使其行为像NOC工程师一样，安全地驱动闭环、自愈工作流程。 这些智能体能够针对高发故障类别执行定界、根因分析和修复，帮助运营商向TM Forum L4级及以上高度自主网络迈进。为什么网络运营中心需要推理模型？ 推理模型深入学习那些驱动MTTR和OPEX的关键案例。 微调电信推理模型微调阶段对编译好的推理数据集进行标准训练/测试分割，NeMo Skills负责编排数据准备，Qwen3 32B作为基础推理模型。 要开始微调推理模型以构建网络运营的AI智能体，请参阅“教会模型推理电信网络故障”相关资源。FINISHED
10200编辑于 2026-04-10- 来自专栏AIGC新知
理解什么是推理模型，看懂这篇就够了
使用非推理模型时，它通常只会输出答案并跳过任何“推理”步骤： 然而，推理模型会通过一个系统的“ 思考 ”过程使用更多的令牌来推导出答案： 想法是，LLM 必须花费资源（例如 VRAM 计算能力）来生成答案 测试时的计算类别 类似 DeepSeek R-1 和 OpenAI o1 这样的推理模型取得了令人难以置信的成功，这表明除了“思考更长时间”之外，还有其他更多技术手段。 这些数据将用于对模型进行监督微调（5）： 如果模型给出了错误的答案（2b），我们提供正确的答案作为提示，并要求模型解释为什么这个答案是正确的（4b）。 DeepSeek-R1 深度求索-R1 是一个重要的推理模型，这是一个开源模型，其权重可以下载。它直接与 OpenAI 的 o1 推理模型竞争，并对该领域产生了重大影响。 在第 4 步中，生成了 800,000 个样本的数据集，并用于监督微调 DeepSeek-V3-Base 模型。
2K10编辑于 2025-03-21 - 来自专栏IT技术订阅
强推理模型解决组合爆炸问题的关键方法与实践
然而，强随着推理模型的不断发展，这一难题正在逐步攻克被。本文将从多个角度探讨强推理模型如何应对组合爆炸问题，并分析其在实际应用中的表现与前景。 尽管强推理模型在解决组合爆炸问题方面取得了显著进展，但仍面临一些挑战。例如，在处理大规模问题时，计算资源和时间消耗仍然较高。 未来的研究可能会集中在以下几个方面： 1 结合大语言模型：通过结合大语言模型的强大表达能力，进一步提升强推理模型的推理能力。 2. 结论 强推理模型通过优化知识表示与推理机制、层次化推理、经验驱动方法、启发式搜索以及混合推理方法等途径，有效地解决了组合问题爆炸。这些方法不仅提高了计算效率，还为实际应用提供了更多的可能性。 未来的研究将进一步提升强推理模型的能力，使其在更多领域得到广泛应用。
54810编辑于 2025-02-25 - 来自专栏机器之心
AI大佬曼宁转赞，MetaGPT团队首提「Atom of Thoughts」，原子化思考让4o-mini暴打推理模型？
然而，无论是思维链（CoT）、思维树（ToT）等提示策略和推理框架，还是 OpenAI o1/o3 和 DeepSeek-R1 等推理模型，在推理时都过度依赖完整历史信息，导致计算资源浪费，同时冗余信息干扰有效推理 随着推理规模扩大，特别是以 OpenAI 的 o1/o3 和 DeepSeek-R1 为代表的推理模型，飙升的计算资源需求用于处理不断积累的历史信息。 例如以 gpt-4o-mini 作为执行模型的 AFlow 在多跳任务中仍与 o3-mini 的直接求解存在差距。 然而，AoT 通过原子化分解，使得即便仅以 gpt-4o-mini 这种短思维链模型作为推理基座，也能在性能上超越这些强大的长思维链模型。 多跳问答任务中推理模型性能比较 开源与社区 AoT 延续了 MetaGPT 社区的开源精神，代码已公开于 GitHub。
37200编辑于 2025-03-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号