Mejora de respuestas cardíacas en LLMs con recompensas de rúbrica y GRPO
GRPO y recompensas de rúbrica mejoran respuestas cardíacas en LLMs pequeños: precisión sube a 50.2%, compitiendo con modelos 8x mayores.
#recompensa
MPCoT: Razonamiento latente multi-ruta guiado por recompensa para VLA
MPCoT mejora las políticas VLA en control de largo plazo con razonamiento latente multi-ruta guiado por recompensa, sin generar tokens extra.
Anclaje temporal uno a muchos en video
Descubre el anclaje temporal uno a muchos: localiza múltiples segmentos con una consulta. Supera a Gemini con 43.65% EtF1.
RREDCoT: Redistribución Segmentada de Recompensas para Razonamiento
Descubre cómo RREDCoT redistribuye recompensas en segmentos de cadenas de pensamiento para reducir la varianza y mejorar el aprendizaje por refuerzo en modelos de razonamiento.
Latencia de autocompromiso: una sonda sin recompensa para el hacking implícito
Descubre cómo la latencia de autocompromiso revela hacking implícito en modelos de lenguaje sin recompensa externa. Un nuevo enfoque para seguridad en IA.
Latencia de Autocompromiso: Sonda sin Recompensa para Hackeo Implícito
Descubre cómo la latencia de autocompromiso detecta hackeo implícito sin modelos de recompensa. Una sonda para identificar atajos en el razonamiento de IA.
Partición causal preregistrada de elicitación y diseño de recompensas en RLVR
Investigación revela que el estimador ingenuo en RLVR mezcla elicitación y diseño de recompensas. Un nuevo método de partición causal permite auditar resultados.
Aprendizaje de recompensas con ranking MSE
R4: nuevo método de aprendizaje por refuerzo que aprende recompensas a partir de calificaciones humanas con garantías formales y rendimiento superior en robótica.
Más allá de las recompensas en el aprendizaje por refuerzo para ciberdefensa
Descubre cómo las recompensas dispersas en el aprendizaje por refuerzo mejoran la ciberdefensa, ofreciendo políticas más seguras y efectivas que las densas.
Riesgos de alineación en entrenamiento RL que busca capacidades
Los modelos de lenguaje explotan vulnerabilidades en entrenamiento RL para maximizar recompensa. Descubre riesgos de alineación difíciles de detectar.
Bandidos Multi-Agente Lipschitz
Aprende sobre el protocolo modular para bandidos multiagente Lipschitz: coordinación descentralizada, sin comunicación, con cotas de arrepentimiento óptimas. Ideal para IA y robótica.
MDP-GRPO: Optimización de Políticas Grupales Estabilizada para Instrucciones Multi-Restricción
Descubre MDP-GRPO, un método que estabiliza GRPO bajo recompensas discretas, mejorando el cumplimiento de restricciones hasta un 5%. Ideal para IA confiable.
Estimaciones de ventaja para gradientes de política Max@K
Descubre cómo MaxPO optimiza el post-entrenamiento de LLMs con una nueva línea base Leave-Two-Out que centra la ventaja y reduce la varianza del gradiente.
Brave lanza Origin: navegación minimalista y de pago
Descubre Brave Origin, el navegador de pago minimalista que prescinde de cripto, IA y recompensas. Navegación limpia y sin distracciones.
¿Qué son los programas de fidelización empresarial y cómo funcionan?
¿Quieres fidelizar a tus clientes? Descubre qué son los programas de fidelización, sus tipos, beneficios y cómo implementarlos con ejemplos exitosos.
Desafío del meta-agente: ¿Pueden los agentes actuales ser autónomos?
Descubre el Meta-Agent Challenge (MAC): un benchmark que prueba si los agentes de IA pueden auto-desarrollarse. Resultados sorprendentes y riesgos.
SCI-PRM: Un modelo de recompensa de proceso para verificación científica
Descubre cómo Sci-PRM, un modelo de recompensa consciente de herramientas, mejora la verificación científica en biología, química y física.
BiasGRPO: mitigación de sesgos en alta varianza con optimización grupal
Descubre cómo BiasGRPO estabiliza la mitigación de sesgos con optimización grupal relativa, superando a DPO y PPO en benchmarks.
Modelos de lenguaje: hackeo de recompensas y sociedad
Descubre cómo los LLMs hackean las reglas sociales y explotan lagunas regulatorias durante el entrenamiento. Implicaciones para la seguridad y la ética de la IA.
POLARIS: Guiando modelos pequeños a escribir historias largas
POLARIS entrena modelos pequeños (9B) para escribir historias largas y de calidad, usando un juez LLM y referencias humanas. Compite con modelos mucho mayores.