Aprendizaje por Refuerzo desde Retroalimentación Rica con DAgger Distribucional
Descubre DistIL: aprendizaje por refuerzo con retroalimentación rica para razonamiento, código y matemáticas. ¡Lee más!
#aprendizaje por refuerzo
Aprendizaje por Refuerzo con Retroalimentación Enriquecida usando DAgger Distribucional
Descubre cómo DistIL optimiza el aprendizaje por refuerzo usando retroalimentación rica (trazas, correcciones, autoevaluación) para mejorar en razonamiento, código y matemáticas.
Alineando preferencias implícitas profundas mediante razonamiento defensivo
Alinea modelos de lenguaje con preferencias implícitas usando razonamiento defensivo y aprendizaje por refuerzo. CDRA mejora personalización y seguridad.
Alineando preferencias profundas mediante razonamiento defensivo
Descubre cómo CDRA alinea LLMs con las preferencias ocultas de los usuarios mediante razonamiento defensivo y crítico. Mejora personalización y seguridad.
Cómo el condicionamiento de éxito optimiza políticas de IA
El condicionamiento de éxito resuelve un problema de optimización con restricción de divergencia, mejorando políticas de IA sin degradar el rendimiento. ¡Descúbrelo!
Modelo VLM consciente de creencias para razonamiento humano
Descubre cómo el modelo VLM consciente de creencias combina memoria y RL para un razonamiento similar al humano. Mejora en QA visual con HD-EPIC. ¡Lee más!
Modelo VLM consciente de creencias para razonamiento humanoide
Descubre cómo un modelo VLM consciente de creencias integra memoria y aprendizaje por refuerzo para un razonamiento similar al humano, mejorando tareas de VQA.
Embeddings Simpliciales mejoran eficiencia en agentes Actor-Critic
Descubre cómo los embeddings simpliciales mejoran la eficiencia muestral en Actor-Critic, acelerando el entrenamiento sin pérdida. Resultados: TD3, SAC, PPO.
Optimización de Preferencias Semiparamétrica: Tu LLM es Modelo de Índice Único
Descubre cómo alinear tu LLM con preferencias sin función de enlace conocida usando un modelo semiparamétrico de índice único.
Mid-Think: Razonamiento Intermedio sin Entrenamiento via Disparadores de Token
Descubre Mid-Think, un método sin entrenamiento que mejora el equilibrio precisión-longitud en modelos de razonamiento híbrido usando tokens disparadores. Ideal
RL basado en resultados guía a transformers a razonar solo con datos adecuados
¿Sabías que los transformers pueden aprender a razonar con solo recompensas finales? Un nuevo estudio revela que los datos simples son la clave.
ULD: Unificando eficiencia y representaciones en RL
ULD: algoritmo de RL que unifica eficiencia y representaciones sin sobrecarga de planificación. Supera a métodos especializados en 80 entornos.
Marco unificado para localidad en MARL escalable
Optimiza MARL escalable con un marco de localidad que descompone sensibilidad. Descubre cómo el control de temperatura softmax mejora la eficiencia.
COP-Q: Aprendizaje por refuerzo seguro para robots con Proyección de Cholesky
Nuevo método COP-Q mejora la seguridad y eficiencia en control robótico usando Proyección de Cholesky.
MusaCoder: generación nativa de kernels GPU con entrenamiento full-stack
Descubre MusaCoder, un marco de entrenamiento full-stack para generar kernels GPU nativos. Combina síntesis de datos, ajuste por rechazo y aprendizaje por refue
Aprendizaje por refuerzo superior con interacción humano-IA
Descubre cómo la interacción humano-IA crea una super-política que supera al aprendizaje por refuerzo tradicional, incluso con confusión.
Cuándo y por qué funciona la exploración aleatoria en bandidos lineales
Exploración aleatoria (Thompson sampling) logra arrepentimiento óptimo en bandidos lineales con espacios convexos. ¡Un avance clave!
Reutilizar trayectorias en gradientes de política permite convergencia rápida
El nuevo algoritmo RT-PG reutiliza trayectorias off-policy para acelerar la convergencia en métodos de gradientes de política, mejorando la eficiencia muestral.
Razonamiento de calidad con aprendizaje por refuerzo en contexto
Descubre cómo el aprendizaje por refuerzo en contexto mejora la calidad del razonamiento en IA, asignando mayor peso a demostraciones efectivas.
Redistribución de Ventajas Basada en Resultados para Razonamiento Matemático
Descubre OAR un nuevo método de GRPO que asigna crédito fino a cada token en razonamiento matemático mejorando el rendimiento sin costo computacional adicional