InfoPO: Optimización de Políticas para Agentes Centrados en el Usuario
Descubre cómo InfoPO optimiza agentes centrados en el usuario mediante ganancia de información, superando a RL tradicional en clarificación y toma de decisiones
#multi-turno
Destilación on-policy con guía curricular por turnos para agentes multi-turno
Descubre cómo Guided-OPD mejora la destilación on-policy con guía curricular por turnos, logrando un 21% más de puntuación y 25% más de éxito en agentes
AGENTSERVESIM: Simulador consciente del hardware para agentes LLM multi-turno
Descubre AGENTSERVESIM, un simulador de hardware que evalúa políticas de servicio para agentes LLM multi-turno con <6% de error, en CPU.
HERO: Reflexión retrospectiva para auto-destilación de agentes
Descubre HERO, un marco de auto-destilación que mejora el éxito de tareas y reduce pasos innecesarios en agentes de IA, incluso con pocos datos de entrenamiento.
ISE: Receta basada en ejecución para trayectorias multi-turn de agentes OS
Aprende cómo ISE sintetiza trayectorias multi-turno y mejora agentes OS alcanzando un 37.7% en ClawEval, superando a GPT-4o.
ISE: Receta de trayectorias multi-turno para agentes OS
ISE genera trayectorias multi-turno con ejecución real, mejorando agentes OS en un 95% en ClawEval con Qwen3-8B. ¡Descúbrelo!
Compresión Incremental Guiada por Contexto para Diálogos Multi-Turno
Descubre C-DIC, un método de compresión incremental que reduce costos computacionales en diálogos largos sin perder fidelidad. Ideal para asistentes conversacionales.
TRACE: Marco de asignación de rollout para RL agente eficiente
Descubre cómo TRACE asigna presupuesto de rollout a nodos prometedores en RL agente multi-turno, mejorando contraste de recompensas y rendimiento.
Puntos ciegos del LLM como juez en agentes transaccionales multi-turno
Los LLM como jueces fallan: solo detectan el 22% de los defectos. Conoce los puntos ciegos y cómo afectan a agentes transaccionales multi-turno.
PLAGUE: Marco plug-and-play para jailbreaking multi-turno
Descubre PLAGUE, marco plug-and-play que logra jailbreak en GPT-4 y Claude con más del 80% de éxito. Ideal para red teaming y evaluación de seguridad.
Evaluación multi-turno de agentes con retroalimentación a nivel de proceso
Analizamos la mejora de agentes de investigación profunda con retroalimentación de proceso. Resultados: ganancias del 8-15% en puntuación, pero sin acumulación. ¡Entra!
Modelo de persuasión humana multi-turno con trazado de creencias
Descubre cómo PERSUASIONTRACE modela la persuasión humana en diálogos multi-turno con IA, evaluando dinámicas de creencias y fidelidad de simulaciones.
PoliticsBench: Evaluación de valores políticos en modelos de lenguaje
Descubre PoliticsBench, un benchmark que evalúa valores políticos en modelos de lenguaje mediante roleplay interactivo. ¿Qué sesgos revela?