celebrityanime

先蒸馏再强化学习：OPD 结合评分标准提升大模型开放式任务表现

一篇新论文提出“先蒸馏后强化学习”的两阶段训练框架，用评分标准（rubric）先做 token 级密集监督，再用于 RL 奖励，在健康与科学任务上比直接 SFT+RL 表现更好，并减少了奖励作弊。

新论文 TRIAGE 针对原生 NVFP4 强化学习中的采样器与学习器数值偏差，提出方向感知的稳定化方法；测试中模型保持稳定训练，并达到全精度基线水平，rollout 吞吐较 BF16 最高提升 2.3 倍。

2026 年 10 月 6 日 Hugging Face Papers 收录的一篇论文指出，冻结的视觉-语言-动作（VLA）策略可能选出一个局部安全但无法完成任务的下一步动作，并提出免训练的重排序方法 VICS-G 来缓解这一问题。

美国联邦法院判处 Michael Smith 18 个月监禁，他承认利用机器人账号刷播放量，将 AI 生成歌曲的版税做到 800 万美元以上，这是 AI 音乐滥用与平台反欺诈的一个明确司法信号。

韩国总统李在明称近期针对多家银行的网络攻击中出现AI被使用的迹象，警方已展开全面调查，但官方尚未披露所用AI工具的细节与泄露规模。

截至2026年9月29日，AI初创公司之间的并购交易已达195起，比2025年全年还多出14%，但出手收购的公司数量仅增长2%。这说明并购更集中在少数资金充裕的头部玩家手里，其中OpenAI最为活跃。

截至 2026 年 9 月 29 日，AI 初创公司收购其他 AI 初创公司的交易已达 195 起，超过 2025 年全年水平，但活跃买家数量几乎没有增长，行业整合集中在少数头部公司手中。

有“AI教父”之称的Geoffrey Hinton公开提议，AI公司应在发布模型前通过类似FDA的审批，证明产品安全；他还估计，AI自我改进加速后，留给监管的时间窗口可能只有一到两年。

被誉为“AI教父”的Geoffrey Hinton公开提议，AI公司发布模型前应像新药上市一样，先向监管机构证明产品安全。这一表态出现在OpenAI因安全测试问题推迟新模型之后，可能推动AI行业走向更严格的合规审查。

摩根大通 CEO Jamie Dimon 在 2026 年 10 月 7 日接受彭博电视采访时表示，Anthropic 的 Mythos AI 模型让网络安全风险“上升了十倍”，但他主张用实际防护措施应对，而不是陷入恐慌。