RLVR: el costo oculto de olvidar problemas resueltos
Descubre el fenómeno de rotación del conjunto correcto en RLVR, donde modelos olvidan problemas resueltos. Conoce REMIND, una técnica que mejora la retención sin costo adicional.
#aprendizaje por refuerzo
Aprendiendo a ver con implantes epirretinianos y aprendizaje por refuerzo
El aprendizaje por refuerzo profundo optimiza la estimulación de implantes epirretinianos para generar imágenes claras. Un avance para restaurar la visión.
Aprender a resolver, olvidar retener: Rotación del conjunto correcto en RLVR
¿RLVR olvida lo que aprendió? Descubre la rotación del conjunto correcto y cómo Remind lo corrige sin coste. Mejora tus modelos.
FGRPO: Federated GRPO con Agregación Adaptativa en Datos No IID
FGRPO optimiza modelos de razonamiento con agregación adaptativa en datos no IID, preservando privacidad.
Estimulación epirretiniana con aprendizaje por refuerzo profundo
Descubre cómo el aprendizaje por refuerzo profundo optimiza los implantes epirretinianos para generar imágenes más claras. Un avance clave en visión artificial contra la degeneración retinal.
Alinear estados ocultos verificados mejora razonamiento en RL
Hidden-Align alinea estados ocultos verificados para mejorar el razonamiento en RL, logrando hasta 6.2 puntos de mejora en benchmarks.
El acierto hace la fuerza: alinear estados ocultos para RL
Hidden-Align alinea estados ocultos en modelos de lenguaje, mejorando el razonamiento matemático hasta un 6.2% en benchmarks. Técnica innovadora de RL.
GEAR: Mitigando la propagación de crédito falso en RL con rubricas
GEAR mitiga la propagación de crédito falso en RL con rubricas, logrando mejoras del 15.5% y reduciendo errores un 96.5%. Conoce cómo.
Mitigación del Crédito Falso en RL con Rúbricas
GEAR soluciona la propagación de crédito falso en RL con rúbricas mediante agregación gráfica probabilística. Logra mejoras de hasta 15.5% en HealthBench, WritingBench y PLawBench.
Multi²: Toma de Decisiones Multiagente Jerárquica con LLMs
Descubre cómo Multi², un marco jerárquico multiagente con LLMs, evita la deriva de objetivos y mejora la toma de decisiones en entornos interactivos. ¡Lee más!
Skill-RM: Unificando Criterios Heterogéneos con Habilidades de Agente
Skill-RM unifica criterios heterogéneos usando habilidades de agente para optimizar LLMs en entrenamiento posterior. ¡Prueba el nuevo modelo!
Métricas de equidad en DRL para descubrimiento de fármacos
Descubre cómo medir la equidad en deep reinforcement learning para descubrimiento de fármacos en salud, evaluando sesgos en datos, recompensas y diversidad química.
Actualizaciones de objetivo periódicas y suaves estabilizan el Q-learning lineal
Descubre cómo las actualizaciones periódicas y suaves de objetivo garantizan la convergencia del Q-learning lineal, según un riguroso análisis teórico.
ASymPO: Optimización Asimétrica para Post-Entrenamiento Asíncrono de LLMs
Descubre cómo ASymPO optimiza el post-entrenamiento asíncrono de LLMs sin probabilidades de comportamiento, mejorando estabilidad y rendimiento.
Optimización eficiente de hiperparámetros para RL en LLMs
Descubre cómo JF-HPO optimiza hiperparámetros en RL para LLMs, logrando hasta 14.9x más eficiencia y mejoras de rendimiento del 5.8% al 111.6%.
AnyAudio-Judge: Benchmark con rúbricas dinámicas para audio
Descubre AnyAudio-Judge, el nuevo benchmark con rúbricas dinámicas para evaluar instrucciones de audio.
Aprendizaje por refuerzo con predicción de videos cross-domain
XIPER: modelo de recompensa con predicción de video para aprender de videos expertos cross-domain. Supera brechas de color, morfología y sim-to-real.
Cuando RLHF falla: taxonomía de reward hacking, colapso y manipulación
Descubre cómo clasificar y predecir fallos en RLHF como reward hacking y colapso. Estudio empírico con PPO y DPO que revela dinámicas ocultas.
AirDreamer: Navegación de drones con modelos del mundo
AirDreamer: navegación de drones con modelos del mundo. Logra un 5.3% más de éxito en entornos desconocidos. Transferencia sim-to-real sin ajustes.
Aprendizaje de refuerzo con incertidumbre y asesoría temporal para autónomos
Descubre cómo el aprendizaje por refuerzo con asesoría experta y control de incertidumbre mejora la seguridad en la conducción autónoma. Resultados en CARLA.