拆解AlphaGo的技术遗产：为什么大模型难以直接复制树搜索奇迹？
大语言模型强化学习面临信用分配与梯度方差暴增的痛点。前DeepMind科学家Eric Jang深入剖析AlphaGo，指出其依靠MCTS与价值网络进行状态重标记分摊搜索空间，而LLM因词表庞大且无规则...
排序
多跳推理性能飙升20%！Search-R2将纠错纳入策略空间，破解搜索增强推理的长链信用分配难题
腾讯混元、MBZUAI和港中文联合提出Search-R2框架，将纠错纳入强化学习策略空间，有效解决长链搜索推理中的错误传播问题，在多跳推理任务中性能提升超20%，为搜索型智能体提供了更贴近真实失败模式...