PBSD: Destilación Bayesiana Privilegiada para Crédito en Horizonte Largo
Descubre cómo PBSD asigna crédito granular en tareas de largo plazo con auto-destilación bayesiana, mejorando el aprendizaje con recompensas dispersas.
#asignación de crédito
Atención ilumina razonamiento LLM: ritmo preplan-anclaje para optimización granular
Descubre cómo la atención en los LLM revela un ritmo de preplan y anclaje que optimiza políticas con aprendizaje por refuerzo granular, mejorando el razonamiento.
LEAF: Post-entrenamiento eficiente de LLMs de voz con RL en árbol
Descubre LEAF, un método RL que asigna ventajas por tramos en LLMs de voz. Supera a GRPO en QA y traducción, incluso con modelos más pequeños. ¡Lee más!
Agentes LLM auto-evolutivos con optimización en distribución
Descubre Q-Evolve: un marco que permite a los agentes LLM auto-evolucionar optimizando en distribución, mejorando la toma de decisiones a largo plazo con recompensas dispersas.
Agentes LLM autoevolutivos con optimización en distribución
Q-Evolve permite que agentes LLM se automejoren con optimización en distribución, superando recompensas dispersas. Mayor eficiencia y robustez.
RREDCoT: Redistribución Segmentada de Recompensas para Razonamiento
Descubre cómo RREDCoT redistribuye recompensas en segmentos de cadenas de pensamiento para reducir la varianza y mejorar el aprendizaje por refuerzo en modelos de razonamiento.
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.
DyNACO: guía neuronal dinámica para optimización de colonias de hormigas
DyNACO: guía neuronal dinámica supera prioridades estáticas, escala a 100k nodos y reduce tiempo.
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.
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
Sesgo de Pico Mediado por Trazas en RL
El Sesgo de Pico por Trazas (TMPB) distorsiona la valoración en RL profundo. La optimización adaptativa lo corrige. Implicaciones para IA y neurociencia.
SHARP: ¿Quién merece la recompensa en sistemas multiagente?
Descubre SHARP: optimización con crédito Shapley para sistemas multiagente. Mejora resultados un 23% frente a métodos tradicionales. ¡Aprende más!
Investigación Profunda con DecomposeR: RL y Recompensa Estructural
DecomposeR optimiza la investigación profunda con RL centrado en planificador y recompensa estructural. Mejora hasta 8 puntos en benchmarks.
MulFeRL: Retroalimentación verbal para aprendizaje por refuerzo en multiturno
MulFeRL mejora el aprendizaje por refuerzo usando retroalimentación verbal en múltiples turnos para superar recompensas escalares y potenciar el razonamiento.
MACCA: Aprendizaje por Refuerzo Multiagente Offline con Asignación Causal
Descubre MACCA, un nuevo marco de MARL offline que asigna crédito causal de forma precisa. Mejora el rendimiento en entornos sin interacción.
SCOPE: Calibración de Señales en Destilación On-Policy Dual
Descubre cómo SCOPE mejora el razonamiento de los LLMs con destilación adaptativa dual, logrando un 11.42% más de precisión.
ARCA: Asignación de Crédito Residual con Adaptadores en LLM
ARCA: método ligero de credit assignment para LLM con LoRA. Usa residuos de adaptadores, evita degeneración. Competitivo en MATH/Qwen3 sin reward model.
SPADER: Recompensas de Exploración con Diversidad para QA Multi-Respuesta
SPADER utiliza aprendizaje por refuerzo con recompensas de exploración diversa para mejorar el recuerdo y F1 en QA multi-respuesta.
Score Broadcast y Descorrelación: Marco General de Asignación de Crédito
El nuevo marco Score Broadcast and Decorrelation (SBD) mejora la asignación de crédito por broadcast, con soporte para múltiples pérdidas y resultados superiores en CIFAR-10.