PriFT: Ajuste fino supervisado con soporte previo
Descubre cómo PriFT optimiza el fine-tuning supervisado con pesos de tokens estables, evitando sobreajuste y mejorando resultados en razonamiento y código.
#aprendizaje por refuerzo
Aprendizaje por refuerzo profundo:revisión y perspectiva para diseño de procesos
Descubre cómo el aprendizaje por refuerzo profundo transforma el diseño de procesos químicos. Revisión y perspectivas.
Tasa robusta O(1/√T) para aprendizaje TD sin proyección
Descubre cómo el algoritmo TD(0) sin proyección logra una tasa de convergencia sublineal robusta, incluso con ruido markoviano. Una mejora clave para el RL.
AT-DPT: Aprendizaje por refuerzo robusto en contexto contra envenenamiento
Descubre cómo AT-DPT mejora la robustez del aprendizaje por refuerzo en contexto frente a ataques de envenenamiento de recompensas. Resultados sorprendentes.
Generative Reasoning Re-ranker: mejora de recomendaciones con IA
Descubre GR2, el nuevo reordenador generativo que mejora recomendaciones con razonamiento de LLMs y aprendizaje por refuerzo, superando al estado del arte en Recall y NDCG.
Complejidad del aprendizaje por refuerzo offline con Q* y cobertura parcial
La combinación de Q* y Bellman completa no es suficiente para RL offline con cobertura parcial. Descubre el nuevo marco teórico y mejoras.
Más allá de la destreza: Por qué el contacto define la próxima era robótica
La inteligencia de contacto transforma la robótica: desde hacer un perro con globos hasta la nueva mano OmniHand con sensores táctiles.
Prueba y error lingüístico se queda atrás en la era de la experiencia
Descubre cómo SCOUT, con scouts ligeros, supera a Gemini-2.5-Pro en tareas no lingüísticas, ahorrando un 60% de GPU. Aprende más.
MC-CPO: Optimización de Políticas Restringidas para Tutoría Inteligente Segura
Descubre cómo MC-CPO reduce el hackeo de recompensas y mejora el dominio del conocimiento en tutorías inteligentes.
Proceso de Engagement: Interfaz Temporal Acción-Observación
Descubre cómo el Proceso de Engagement redefine la interacción temporal entre acción y observación en sistemas de IA, mejorando la adaptación en entornos dinámicos.
MMR-GRPO: Acelera el entrenamiento GRPO con recompensas basadas en diversidad
MMR-GRPO acelera el entrenamiento GRPO priorizando soluciones diversas: reduce un 47.9% pasos y 70.2% tiempo.
La trampa de la flexibilidad: repensando el orden arbitrario en modelos de difusión
Descubre por qué la flexibilidad de orden en modelos de difusión puede limitar el razonamiento. Conoce JustGRPO, una alternativa que mantiene la generación paralela.
ACTIVE-o3: Percepción Activa en MLLM con Aprendizaje por Refuerzo
ACTIVE-o3: aprendizaje por refuerzo puro para percepción activa en MLLMs. Logra mayor eficiencia y precisión sin supervisión explícita. Resultados líderes.
Diseño no supervisado de compañeros para trabajo en equipo ad-hoc robusto
El Diseño No Supervisado de Compañeros (UPD) logra trabajo en equipo ad-hoc robusto sin poblaciones preentrenadas, superando en juegos y estudios humanos.
Aprendizaje por refuerzo en contexto con modelos de mundo comunicativos
CORAL: un nuevo marco para aprendizaje por refuerzo en contexto que separa representación latente y control, logrando adaptación a cero y mejora en eficiencia de muestras.
¿Pueden los MLLMs auto-recuperar contenido visual corrupto?
Descubre cómo Robust-U1 permite a los MLLMs auto-recuperar imágenes corruptas, mejorando la comprensión visual con aprendizaje por refuerzo y alcanzando resultados líderes.
Inferencia eficiente de visión-lenguaje en UAVs mediante optimización LLM
Descubre cómo optimizar la inferencia de visión-lenguaje en UAVs con inteligencia artificial y LLMs para mejorar la eficiencia en redes de economía de baja altitud.
Aprendizaje de controladores continuos cuantizados para hardware entero
Entrena políticas cuantizadas para hardware entero. En FPGA: latencias en µs, consumo en µJ, con 2 bits por peso y robustez al ruido.
LogNEO: Aprendizaje por refuerzo para detección de anomalías en logs
Descubre LogNEO: detección de anomalías en logs con GPT-Neo y RL. Alcanza F1 de 0.984 y 45 ms de latencia.
Generación adversarial y entrenamiento robusto en optimización combinatoria neuronal
Generación de instancias adversariales y entrenamiento robusto para optimización combinatoria multiobjetivo. Mejora el rendimiento en distribuciones complejas.