¿Es la diversidad clave para la manipulación robótica escalable?
Investigación revela que la diversidad de tareas es más crítica que la cantidad de demostraciones. Aprende a escalar datos robóticos eficazmente.
#aprendizaje por refuerzo
Aprendizaje de autocorrección en modelos visión-lenguaje mediante aumento de trayectorias
Descubre cómo Octopus-8B logra autocorrección eficiente en VLMs mediante aumento de trayectorias, superando a otros modelos con un 1.0 de puntuación y menor tiempo de entrenamiento.
Agentic Monte Carlo: Aprendizaje por Refuerzo en Agentes Caja Negra
Optimiza agentes LLM de caja negra sin entrenarlos. Agentic Monte Carlo supera a GRPO. Aprende inferencia bayesiana.
SHALA-LLM: Manejo Inteligente de Etiquetas Ambiguas en Alineación de LLMs
Descubre cómo SHALA-LLM usa aprendizaje por refuerzo para gestionar etiquetas ambiguas en alineamiento de LLMs, mejorando precisión y acuerdo entre anotadores.
Descuento asimétrico en GRPO para RL eficiente
SA-AH-GRPO reduce la varianza un 3.6x y mejora la precisión en razonamiento matemático con descuento asimétrico por token. Resultados en GSM8K con Qwen.
Representation learning: la clave para escalar el RL multitarea
MR.Q demuestra que las representaciones predictivas escalan el RL multitarea sin planificación, superando a modelos del mundo.
Modelos Mundiales de Difusión Autoregresiva para Evaluar Agentes LLM
Descubre ADWM, un marco de evaluación offline que simula entornos interactivos para estimar el rendimiento de agentes LLM sin necesidad de ejecución en línea.
AsyncWebRL: RL multi-paso eficiente para agentes web visuales
Descubre AsyncWebRL: un enfoque asíncrono que acelera el entrenamiento de agentes web visuales con RL multi-paso, logrando hasta 2.9x más rapidez y mejor rendimiento.
Crédito denso insuficiente: Optimización calibrada por evidencia para agentes LLM
ECPO calibra el crédito de acciones intermedias en agentes LLM, mejorando el rendimiento en ALFWorld y WebShop hasta un 7% con solo 0.1% de sobrecarga.
Aprendizaje por refuerzo con regularización KL y mala especificación
Descubre cómo la regularización KL mejora el aprendizaje por refuerzo ante modelos incorrectos. Nuevas garantías teóricas para algoritmos robustos. ¡Lee más!
MDP-GRPO: Optimización de Políticas Grupales Estabilizada para Instrucciones Multi-Restricción
Descubre MDP-GRPO, un método que estabiliza GRPO bajo recompensas discretas, mejorando el cumplimiento de restricciones hasta un 5%. Ideal para IA confiable.
Estimaciones de ventaja para gradientes de política Max@K
Descubre cómo MaxPO optimiza el post-entrenamiento de LLMs con una nueva línea base Leave-Two-Out que centra la ventaja y reduce la varianza del gradiente.
OrderGrad: optimiza más allá de la media con gradientes de estadísticos de orden
Descubre OrderGrad, un método unificado para optimizar objetivos de estadísticos de orden como VaR, CVaR y medias recortadas en aprendizaje por refuerzo. Ideal para tareas de riesgo y robustez.
Abstracciones estado-acción adaptativas por distorsión de tasa
Descubre cómo el principio de refinamiento dinámico de abstracciones mejora el aprendizaje por refuerzo, usando distorsión de tasa para lograr rendimiento óptimo con compresión.
Optimización de córner con aprendizaje por refuerzo gráfico
Optimiza tácticas de córner con RL gráfico. Supera a métodos tradicionales en 3000+ jugadas de la Premier League.
AgentJet: Marco de entrenamiento enjambre para RL agentivo
AgentJet: marco enjambre para RL agentivo. Entrena agentes heterogéneos con tolerancia a fallos, edición en vivo y acelera 10x. Ideal para investigadores.
Escalando Agentes Auto-Evolutivos con Memoria Paramétrica
Marco TMEM: agentes IA auto-evolutivos con memoria paramétrica y LoRA. Aprenden de la experiencia, mejorando su comportamiento sin reinicios.
Neetyabhas: marco para políticas públicas con incertidumbre en modelos de agente
Descubre cómo Neetyabhas optimiza políticas públicas con incertidumbre y comportamiento. Un enfoque basado en IA.
SCI-PRM: Un modelo de recompensa de proceso para verificación científica
Descubre cómo Sci-PRM, un modelo de recompensa consciente de herramientas, mejora la verificación científica en biología, química y física.
Fog of Love: Agentes virtuosos con aprendizaje por refuerzo basado en afinidad
Descubre cómo la afinidad localizada mejora el aprendizaje por refuerzo para crear agentes de IA virtuosos en el juego Fog of Love. Resultados superiores.