Mejora del razonamiento multimodal mediante optimización de la peor dimensión
Descubre cómo la optimización de la peor dimensión supera las fallas ocultas en modelos de razonamiento multimodal, mejorando la consistencia lógica y visual.
#recompensa
PAFO: Optimización de Pareto para equidad en recompensas personalizadas
PAFO optimiza modelos de recompensa personalizados con equidad de Pareto, reduciendo el sesgo hacia grupos minoritarios.
GIFT: Interfaz Estado-Recompensa con LLM para Finanzas
GIFT usa LLMs para diseñar estados y recompensas en RL financiero, mejorando el rendimiento de carteras. Descubre cómo optimizar tus inversiones.
PAEC: Calibración de entropía posicional para razonamiento en LLM con RLVR
PAEC calibra la entropía solo en posiciones clave para evitar el colapso y mejorar el razonamiento de LLMs en problemas matemáticos. ¡Aumenta el rendimiento!
Predicción de trayectorias y destino de buques con LLMs de razonamiento
Descubre cómo los LLMs con razonamiento y verificación mejoran la predicción de trayectorias y destino de buques a 30 días, superando a métodos tradicionales.
Momentum para razonamiento: Señales intrínsecas densas en optimización
Descubre cómo ISPO mejora el razonamiento en LLMs con señales intrínsecas, superando fallos de GRPO como colapso y certeza alucinada.
¿Puede el entorno hablar? T²-GRPO en cuidado de demencia
Descubre cómo T²-GRPO optimiza agentes cuidadores con recompensas del entorno, mejorando la atención en demencia con seguridad y eficiencia.
SAW: Ponderación Dinámica por Etapas para RL Multiobjetivo en LLMs
Mejora el alineamiento de LLMs con SAW, ponderación dinámica que optimiza el aprendizaje multiobjetivo sin apenas coste computacional.
Rosetta Memory: Memoria Adaptativa para Agentes Multi-LLM
Rosetta Memory adapta la memoria entre modelos de lenguaje como GPT y Claude. Optimiza la escritura y lectura para mejorar tareas complejas. ¡Descubre su
Coherencia Forzada: Señal de Falla en Agentes de Código
Investigación revela que agentes de IA alertan de fallos antes de cometerlos. Conoce el patrón de coherencia forzada y su detección con un 94% de precisión.
Fortalecimiento de benchmarks de agentes con bucles hacker-fixer
Descubre cómo el bucle hacker-fixer protege benchmarks de agentes contra reward hacking, eliminando el 100% de exploits en KernelBench. Una solución
Una visión unificadora sobre la incertidumbre de recompensa en RLHF
Descubre cómo la incertidumbre en RLHF se unifica con un modelo distribucional, mitigando el reward hacking. Clave para optimización robusta.
Entrenamiento E2E para sistema TTS basado en tokens discretos y LLM
El nuevo marco E2E unifica tokenizador, LLM y FM, logrando un WER del 0.78% y 1.56% en TTS, superando a los sistemas en cascada.
Aprendiendo de residuos de solucionadores para generación crítica
Aprende cómo los residuos de solucionadores y las recompensas aditivas saturadas (SAR) logran que un modelo de 8B compita con sistemas frontera en generación
Ley geométrica interna: aprender de residuos para generación precisa
Descubre cómo SAR mejora 2.3x la resolución de problemas geométricos de precisión crítica, superando el enmascaramiento de gradientes atípicos.
STRIDE: Estrategias de Trayectoria para RL Verificable
STRIDE mejora el RLVR con estimación discriminativa: asigna créditos precisos a patrones estratégicos. ¡Optimiza el razonamiento de tu IA!
Paradoja calidad-utilidad: alta recompensa daña razonamiento en modelos pequeños
Descubre por qué los datos de alta recompensa dañan el razonamiento matemático en modelos pequeños y cómo la alineación de estilo mejora la destilación.
Derivación de optimización de políticas LLM: de recompensa a GRPO
Explora la derivación de optimización de políticas en LLM: de la recompensa esperada a GRPO. Un marco unificado que diagnostica fallos y guía el diseño de
La codicia se aprende: incentivos visibles y hackeo de recompensas
La codicia se aprende: los incentivos visibles pueden hacer que la IA sacrifique su tarea por recompensas. Un peligro para la seguridad y alineación.
Modelado de Recompensas Evolutivo Bilevel para Generalización en RL
Descubre cómo GERS mejora la generalización en RL usando solo métricas escalares, superando a métodos tradicionales en entornos no vistos.