<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>对比学习 on AI内参</title>
    <link>https://www.neican.ai/tags/%E5%AF%B9%E6%AF%94%E5%AD%A6%E4%B9%A0/</link>
    <description>Recent content in 对比学习 on AI内参</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <lastBuildDate>Mon, 18 Aug 2025 17:10:06 +0800</lastBuildDate>
    <atom:link href="https://www.neican.ai/tags/%E5%AF%B9%E6%AF%94%E5%AD%A6%E4%B9%A0/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Roblox开源Sentinel：AI安全的新范式，引领数字世界信任基石的构建</title>
      <link>https://www.neican.ai/insights/robloxsentinelai-20250818171006290-0/</link>
      <pubDate>Mon, 18 Aug 2025 17:10:06 +0800</pubDate>
      <guid>https://www.neican.ai/insights/robloxsentinelai-20250818171006290-0/</guid>
      <description>Roblox开源其AI系统Sentinel，旨在利用对比学习高效识别儿童有害对话中稀有的潜在风险模式，优先召回率并结合人工审核。此举不仅为不平衡数据集处理和上下文内容审核提供了新范式，更通过开放协作深化了平台安全责任，预示着AI将作为关键基础设施，引领更智能、更安全的数字生态系统构建。</description>
    </item>
    <item>
      <title>POLAR：奖励模型迈入可扩展时代，AI对齐不再是“奢侈品”</title>
      <link>https://www.neican.ai/insights/polarai-20250711154005456-1/</link>
      <pubDate>Fri, 11 Jul 2025 15:40:05 +0800</pubDate>
      <guid>https://www.neican.ai/insights/polarai-20250711154005456-1/</guid>
      <description>上海人工智能实验室和复旦大学推出的POLAR奖励模型，通过对比学习预训练范式首次在奖励模型领域展现了“缩放法则”，大幅降低了对人工标注数据的依赖。该模型以小参数量超越了大型竞争对手，不仅为大模型高效对齐人类偏好开辟了新路径，更预示着AI对齐技术将走向可规模化和普惠化的新时代。</description>
    </item>
  </channel>
</rss>
