Sesgo tras sesgo: recompensa mecánica en modelos de lenguaje
Los modelos de recompensa en IA tienen sesgos. La recompensa mecánica los mitiga con pocos datos. Optimiza la alineación de modelos de lenguaje.
#mpe
RL para diseño óptimo de experimentos en identificación de parámetros
Agente de RL optimiza señales de excitación para identificación de parámetros en sistemas mecatrónicos, superando métodos clásicos con solo 0.75% de violaciones
Cómo los LLMs diseñan recompensas en RL cooperativo multiagente
Aprende cómo los LLMs mejoran el diseño de recompensas en RL cooperativo multiagente, logrando mayor rendimiento en Overcooked.
EST-PRM: Pruebas de estrés a modelos de recompensa de proceso
EST-PRM pone a prueba la estabilidad de los modelos de recompensa de proceso ante transformaciones que distorsionan la calibración de recompensas.
Solución In2AI: Atribución Retrasada de Recompensa en MindGames Arena
Descubre cómo In2AI revolucionó el entrenamiento multi-agente con atribución retrasada de recompensa, logrando que un modelo de 8B superara a GPT-5 en MindGames Arena.
Co-Entrenamiento de Políticas y Modelado del Mundo para Agentes de Lenguaje
Descubre PaW: co-entrenamiento de políticas y modelado del mundo para agentes de lenguaje. Mejora el aprendizaje por refuerzo sin modificar la inferencia.
Mitigando el sesgo perceptual en LLMs multimodales como jueces
Descubre cómo un nuevo método de perturbación perceptual y modelado de recompensa corrige el sesgo en evaluaciones de LLMs multimodales. Más preciso y alineado con humanos.
LLMs discriminan estados clave para exploración multiagente eficiente
Descubre cómo LEMAE usa LLMs para identificar estados clave y acelerar la exploración multiagente, con menos redundancia. Resultados superiores en SMAC y MPE.
CAST: Autoenseñanza no privilegiada con inversión de ventaja para GRPO
CAST optimiza el RLVR con autoenseñanza no privilegiada y asignación de ventajas token en grupos de varianza cero. Mejora el razonamiento.
SDR: Recompensas de distancia de conjunto para informes radiológicos
Mejora la generación automática de informes de rayos X de tórax con recompensas Set-Distance. Resultados: +6.8% BERTScore, +7.82% RadGraph, +4.45% CheXbert.
Latent Reward Steering: Marco Adaptativo para Comportamientos Cognitivos en LLMs
Descubre cómo Latent Reward Steering optimiza el razonamiento de LLMs al promover comportamientos cognitivos implícitos.
Antes de que el modelo aprenda el error: fuzzing de verificadores RLVR
Descubre cómo el fuzzing de verificadores RLVR revela bugs antes de que el modelo los aprenda. Mejora la seguridad de tu IA con métricas clave.
Alineación de Valor Esperado para Verificación Formal en Matemáticas
EVA: nueva técnica de alineación de valor esperado que permite recompensas continuas en verificación formal de matemáticas con Lean 4. Mejora la evaluación de pasos intermedios.
La nueva imagen social: IA competente y proactiva en el trabajo
Una IA menos competente puede aumentar tu satisfacción laboral. Estudio revela impacto en percepción propia y de colegas en el trabajo.
Cuando datos escasean: escalando modelos dispersos con entrenamiento repetido
Optimiza el escalado de modelos dispersos con datos limitados. Descubre leyes de escalado, saturación retardada y compensaciones clave.
RLVR sin muestras ineficaces: POPO para razonamiento LLM
POPO elimina muestras ineficaces acelerando el fine-tuning de LLM para razonamiento matemático, planificación y geometría visual con menos rollouts.
Optimización encadenada de modalidades en aprendizaje federado multimodal
Descubre cómo FedMChain optimiza el aprendizaje federado multimodal evitando la competencia entre modalidades y mejorando la precisión con menos comunicación.
Repensando el rol de la temperatura en destilación de LLMs
La temperatura transforma la destilación de LLMs: a altas temperaturas, FKL supera a RKL. Aprende a optimizar la transferencia de conocimiento.
Reconstrucción inversa de ebullición con HB-ARFM
Descubre cómo HB-ARFM reconstruye campos de temperatura y velocidad en ebullición a partir de observaciones parciales, superando limitaciones Markovianas.
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.