#post-training

5 篇文章

daily AI Agent Funding 2026年8月28日

融資速報｜Deep Cogito Series A $43M

Deep Cogito 完成 $43M Series A，由 TQ Ventures 領投，Benchmark、Nexus Venture Partners、Zscaler 等跟投，累計融資超過 $56M。這輪錢押的不是下一個前沿模型，而是「後訓練」本身能不能變成一門獨立、可對外銷售的生意。

#ai-agent #funding #daily #deep-cogito #post-training

ai deep-dive 認識 AI 模型 2026年8月26日

後訓練 RL 三條路線：Ornith、Nous Research、MiniMax 怎麼用強化學習做出黑馬模型

2026 年三個非大廠團隊用不同的 RL 後訓練路線做出 benchmark 黑馬：Ornith 讓模型自己出題自己改進（GRPO self-improvement loop），Nous Research 用 DataForge 合成資料 + Atropos 執行獎勵 RL，MiniMax 在 20 萬個真實環境裡大規模 RL。三條路各有強項，但共同證明了一件事：後訓練 RL 比預訓練規模更重要。

#reinforcement-learning #grpo #post-training #self-improvement #open-source #agentic-coding #fine-tuning

ai deep-dive Stanford CS224N 導讀 2026年8月22日

CS224N 第 8 講：從 instruction tuning、RLHF 到 DPO

第 8 講解釋預訓練模型如何經 instruction tuning、偏好資料與 RLHF 變成助理，再以 DPO 直接從勝負配對學習；每一步都把人的判斷轉成訓練訊號，也把偏差帶進模型。

#cs224n #post-training #rlhf #dpo #stanford

ai deep-dive Stanford CS336 導讀 2026年8月22日

CS336 Lecture 15：SFT 教模型模仿，RLHF 才開始直接最佳化偏好

第十五講把 post-training 拆成 imitation 與 optimization：SFT 從 instruction-response data 抽出預訓練已有能力，RLHF 用 pairwise feedback 跨過人類示範與偏好之間的落差；PPO 與 DPO 都逃不掉資料偏差、reward overoptimization 和 mode collapse。

#cs336 #post-training #sft #rlhf #dpo

learning guide Berkeley CS288 Spring 2026 2026年8月22日

Berkeley CS288（三）：Pre-training、Post-training、Generation 與 Evaluation

08–12 組教材把 base model 變成可互動系統：預訓練決定基礎能力，post-training 改變行為，generation 與 evaluation 決定輸出如何被使用與判讀。

#berkeley #cs288 #llm #post-training #evaluation #prompting