VIMPO: Optimización de Políticas con Valores Implícitos para LLMs
Descubre VIMPO: optimización de políticas sin crítico que mejora el razonamiento de LLMs y supera a GRPO en benchmarks matemáticos.
#mejora de razonamiento
Aprende de tus errores: micro-trayectorias para autodestilación
Descubre cómo TAPO mejora el razonamiento de los LLM al aprender de sus propios errores mediante trayectorias contrastivas, superando a GRPO en benchmarks.
INFUSER: Auto-evolución guiada para mejorar el razonamiento
Descubre INFUSER, el innovador marco que permite a modelos de lenguaje mejorar su razonamiento mediante auto-evolución guiada por influencia. Resultados
ConSteer-RL: Dirigiendo el razonamiento en LLMs con RL consciente de la confianza
Descubre ConSteer-RL: un nuevo método que mejora el razonamiento de LLMs usando señales de confianza con RL. Resultados: hasta 4% de mejora.