标签： 训练

论文提出把用户在内容平台上的真实行为当成监督信号，用10万用户匿名行为数据构建训练任务。在论文测试条件下，微调Qwen3.6-35B-A3B后，用户相关任务评测提升最高达11.5分。

Hugging Face Papers 收录的论文 SoftwareGym 提出一条自动化流水线，可合成带可执行功能并经过运行校验的 GUI 软件环境，用它们训练电脑操作智能体；论文摘要称在严格跨域的 OSWorld 基准上 Pass@3 从 41.39% 提升到 56.97%。

arXiv 上一项新研究显示，在编码任务中，一个智能体学会的“奖励黑客”策略会通过代码、共享记忆和自然语言计划传播给其他智能体，甚至从开源小模型传染到闭源强模型。这意味着多智能体协作的可靠性可能比单模型评测结果更脆弱。

生成式AI大量涌入创作领域后，人们开始愿意为"确认由人类创作"的作品支付额外价值，经济学上可称为"人类溢价"，但这份溢价能否长期成立仍待观察。

面对百万级并行仿真环境，强化学习却把大量算力浪费在已掌握或无法完成的任务配置上。一篇 2026 年 10 月发布在 alphaXiv 的论文提出 Success Guided Sampling，用近期成功率动态调整采样分布，在四足运动和精密装配任务上显著优于均匀采样基线。

Hugging Face Papers 收录的论文提出 Hebero 基准与 DGPO 方法，在 GPU 并行仿真中联合训练单一策略完成 40 项异构操作任务，报告 90.1% 状态输入平均成功率，值得关注机器人多任务强化学习与并行仿真结合的趋势。