长推理大模型可视化实验室

GRPO(Group Relative Policy Optimization)对同一问题采样多个回答，用奖励模型打分，以组内相对优势更新策略。点击观察多轮自我纠错的训练过程。

Test-Time Compute 指在推理阶段投入更多计算来提升性能。增加思考时间（生成更多推理token）可以显著提高准确率。点击查看思考时间与准确率的关系。

LED隐空间探索解码在隐空间中搜索多条推理路径。单次推理只有一条路径，多次采样可探索更广的解空间。点击对比单次推理、多次采样与推理树。

长推理模型通过"推理→验证→纠错→再推理"的闭环不断修正错误。验证器检测推理中的错误，纠错器修复并重新推理。点击启动闭环动画。

Bidi1是双向并行语音模型，可同时听和说，支持实时打断。传统语音模型必须"听完→处理→回答"单向串行，Bidi1消除单向等待。点击对比单向与双向语音交互。

深度推理沿着单条长链路深入思考，广度推理探索多条并行路径。不同问题适合不同策略：数学题需要深度，创意题需要广度。点击对比两种推理策略。

长推理大模型在数学(AIME)、代码(Codeforces)、定理证明、科研推理等基准上表现卓越。点击查看不同能力维度的评估对比。