GPO: Aprendizaje de pasos críticos para mejorar razonamiento LLM
GPO identifica pasos críticos en el razonamiento de LLMs y optimiza el aprendizaje. Mejora el rendimiento con esta estrategia de fine-tuning.
#gpo
sGPO: Intercambio de FLOPs de inferencia por entrenamiento eficiente en RLVR
Descubre cómo sGPO reduce a un tercio el costo de entrenamiento de RLVR intercambiando FLOPs de inferencia por eficiencia, sin perder rendimiento.
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.
SIRI: Auto-internalización de habilidades con RL para agentes LLM
SIRI: método RL que auto-internaliza habilidades en agentes LLM, mejorando rendimiento sin almacenes externos. Supera en ALFWorld y WebShop.