ConSteer-RL: Dirigiendo razonamiento en LLMs con RL consciente de confianza
Descubre cómo ConSteer-RL mejora el razonamiento de LLMs usando señales de confianza, logrando mejoras del 2.3% al 4%.
#recompensa
DynaCF: Mitigando el Aprendizaje por Atajos en Modelos de Recompensa
DynaCF reduce el aprendizaje superficial en modelos de recompensa mediante reajuste dinámico con contrafácticos, mejorando robustez y calidad de preferencias.
El sesgo oculto de los PRM: PRISM para recompensar el razonamiento correcto
Descubre cómo PRISM elimina el sesgo oculto en los PRM, mejorando la precisión del razonamiento y reduciendo falsos positivos en un 22%.
Optimalidad asintótica de Thompson Sampling para bandidos aversos al riesgo
Un algoritmo de Thompson Sampling no paramétrico logra optimalidad asintótica en bandidos aversos al riesgo con recompensas subgaussianas.
PBSD: Destilación Bayesiana Privilegiada para Crédito en Horizonte Largo
Descubre cómo PBSD asigna crédito granular en tareas de largo plazo con auto-destilación bayesiana, mejorando el aprendizaje con recompensas dispersas.
TinyJudge: alineación de restricciones no verificables con conjuntos ligeros
TinyJudge alinea modelos de lenguaje con restricciones no verificables usando conjuntos ligeros de especialistas. Logra un 10% de rendimiento y 3x velocidad.
Plataforma de programa de fidelización que impulsa tu negocio
Descubre cómo una plataforma de programa de fidelización puede aumentar la retención y las ventas. Conoce sus características clave y ejemplos exitosos.
CATPO: Optimización de Políticas de Árbol Aumentada con Crítica
Descubre cómo CATPO revoluciona el aprendizaje por refuerzo con crítica aumentada, mejorando la precisión en LLMs hasta un 37.5% en benchmarks clave. Optimiza tus modelos.
AT-DPT: Aprendizaje por refuerzo robusto en contexto contra envenenamiento
Descubre cómo AT-DPT mejora la robustez del aprendizaje por refuerzo en contexto frente a ataques de envenenamiento de recompensas. Resultados sorprendentes.
Formalizando el aprendizaje con retroalimentación lingüística
Descubre HELiX, algoritmo que formaliza el aprendizaje de IA con retroalimentación lingüística, ofreciendo garantías demostrables y mejora exponencial.
Recompensa moldeada para alineación en inferencia: Juego de Stackelberg
Descubre cómo el moldeado de recompensas desde la perspectiva del juego de Stackelberg mejora la alineación de LLMs en inferencia, reduciendo sesgos y aumentando el rendimiento.
Generative Reasoning Re-ranker: mejora de recomendaciones con IA
Descubre GR2, el nuevo reordenador generativo que mejora recomendaciones con razonamiento de LLMs y aprendizaje por refuerzo, superando al estado del arte en Recall y NDCG.
La escala de recompensas y la cooperación en agentes LLM
¿Los LLMs cooperan más cuando las apuestas son altas? Un estudio analiza cómo recompensas e idioma moldean estrategias en el Dilema del Prisionero, con implicaciones para la gobernanza de IA.
MC-CPO: Optimización de Políticas Restringidas para Tutoría Inteligente Segura
Descubre cómo MC-CPO reduce el hackeo de recompensas y mejora el dominio del conocimiento en tutorías inteligentes.
MMR-GRPO: Acelera el entrenamiento GRPO con recompensas basadas en diversidad
MMR-GRPO acelera el entrenamiento GRPO priorizando soluciones diversas: reduce un 47.9% pasos y 70.2% tiempo.
Definición informacional para el aprendizaje abierto
Nueva definición informacional para el aprendizaje abierto en IA. El concepto de bit-equivalente mide la información necesaria para alcanzar recompensas esperadas.
Balance Adaptativo de Pérdida para GRPO Robusto en Recomendación Generativa
AdaGRPO optimiza modelos generativos con balance adaptativo de pérdida y recompensa, mejorando CTR y retención en e-commerce.
RL para Políticas de Flow-Matching con Transporte de Densidad
RLDT: algoritmo RL con transporte de densidad y gradiente variacional para mejorar políticas de flujo, superando a métodos previos en control continuo.
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.
Detección económica de reward hacking
Nuevo método detecta reward hacking con AUC 0.9467 y costo 10,000 veces menor que un LLM. Ideal para sistemas de IA seguros.