Estimación de ventaja consciente de representación en RLHF
Descubre cómo GraphAE aprovecha las representaciones ocultas del modelo de recompensa para una estimación de ventajas más precisa en RLHF, mejorando rendimiento hasta +8.27 en AlpacaEval.
#aprendizaje por refuerzo
Aprendizaje por Refuerzo con Conciencia Geométrica para Anidamiento Irregular 2D
Descubre cómo el aprendizaje por refuerzo con el Transformer de Polígonos supera a los solvers heurísticos en anidamiento irregular 2D, alcanzando una utilizaci
Aprendizaje por refuerzo con conciencia geométrica para anidamiento 2D
Descubre cómo un nuevo enfoque de aprendizaje por refuerzo con atención geométrica supera a los solucionadores heurísticos tradicionales en el anidamiento irregular 2D.
¿Cómo fluye el razonamiento? Rastreo del flujo de información para RL en LLMs
Descubre cómo FlowTracer rastrea el flujo de razonamiento en modelos de lenguaje para asignar crédito preciso a los tokens clave y mejorar el aprendizaje por refuerzo.
FlowTracer: rastreo del flujo de razonamiento en LLMs
FlowTracer asigna crédito a tokens clave en LLMs trazando el flujo de razonamiento inducido por atención, mejorando el aprendizaje por refuerzo en tareas de razonamiento complejo.
N-GRPO: Mezcla de Vecinos a Nivel de Embedding para Optimización de Políticas
Descubre N-GRPO, una nueva estrategia de exploración que mejora el razonamiento matemático de LLMs mediante la mezcla inteligente de embeddings semánticos. Resultados consistentes en benchmarks.
MODIP: Optimización eficiente basada en modelos para políticas de difusión
Aprende cómo MODIP optimiza políticas de difusión con modelos predictivos y control de trayectorias. Resultados superiores en D4RL y RoboMimic.
MODIP: Optimización Basada en Modelos para Políticas de Difusión
MODIP optimiza políticas de difusión con modelos del mundo, mejorando el aprendizaje robótico. Resultados competitivos en D4RL y RoboMimic.
Flow-DPPO: Optimización de Política Proximal con Divergencia para Modelos Flow
Flow-DPPO mejora la generación de imágenes y video con RL online y restricción de divergencia, superando al ratio clipping. ¡Descubre cómo!
Aprendizaje por refuerzo para óptica adaptativa: demostración en cielo
Descubre cómo PO4AO, basado en aprendizaje por refuerzo, logra la primera demostración en cielo superando al controlador estándar.
Control generalista condicionado por morfología para robots multirrotor
Descubre cómo un único modelo de IA controla cualquier configuración de drones multirrotor, gracias a la morfología condicionada y entrenamiento ultrarrápido.
RoboGPT-R1: Mejora la Planificación Robótica con Aprendizaje por Refuerzo
Descubre RoboGPT-R1 combina supervisión y aprendizaje por refuerzo para mejorar la planificación robótica, superando modelos más grandes en tareas complejas
Actor-Crítico Asimétrico Informado: Señales Privilegiadas sin Estado Completo
Usa señales privilegiadas sin estado completo para mejorar RL parcial. Descubre cómo seleccionar las más informativas. ¡Optimiza tu IA!
Optimización conjunta de precodificación y trayectoria con LLM en UAV
Descubre cómo los LLM mejoran la seguridad y eficiencia en redes de drones mediante precodificación y trayectorias óptimas. Un enfoque innovador de IA.
TruthRL: Aprendizaje por refuerzo para LLMs veraces
Descubre TruthRL, un marco de RL que reduce alucinaciones en LLMs al incentivar respuestas correctas y abstención. Mejora la veracidad hasta un 37%.
Muestreo Guiado por Latente para Optimización Combinatoria
LGS-Net revoluciona la optimización combinatoria con muestreo guiado por latente y MCMC. Resultados state-of-the-art en problemas de enrutamiento.
Sesgo de distancia de representación en modelos de recompensa
El sesgo de distancia en la pérdida BT distorsiona el aprendizaje de modelos de recompensa. NormBT lo corrige con normalización adaptativa, mejorando la precisión hasta un 5%.
Aprendizaje por Refuerzo Basado en Modelos con Recompensas No Markovianas
Descubre QR-MAX, algoritmo que logra convergencia PAC y eficiencia en problemas de recompensa no markoviana.
Cuando RL falla tras SFT: rejuveneciendo la plasticidad del modelo
Descubre cómo el sobreentrenamiento en SFT reduce la plasticidad del modelo y cómo el método Rejuvenation restaura la capacidad de aprendizaje por refuerzo para mejorar el rendimiento.
Un lente, muchos mundos: interfaz tipada para IA interpretable
¿Cansado de reimplementar interpretabilidad? WorldModelLens unifica el análisis con una interfaz tipada. Descúbrelo.