Presentamos Pantheon: pruebas, no promesas
Descubre Pantheon, la blockchain soberana que hace verificable cada acción de IA. Pruebas, no promesas, ancladas a Bitcoin.
#verificables
ReSum: Sinergia entre Razonamiento y Resumen de LLMs con RL
Descubre cómo ReSum, un nuevo marco de RL, mejora el razonamiento de LLMs un 4% y reduce el largo de las cadenas un 18.6% mediante auto-resúmenes.
Más allá de la región de confianza uniforme por token en RL para LLMs
CPPO mejora la estabilidad y precisión del razonamiento en LLMs al superar las regiones de confianza uniformes. Nuevo enfoque de optimización.
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.
τ-Rec: Un benchmark verificable para sistemas de recomendación agentivos
Descubre τ-Rec, un benchmark que evalúa sistemas de recomendación agentivos con recompensas verificables. Revela una brecha crítica en fiabilidad.
Lo fácil, lo difícil y lo aprendible: optimización adaptativa para LLM
Descubre CoDaPO: un método que asigna pesos adaptativos por dificultad y confianza para mejorar el razonamiento en LLM con aprendizaje por refuerzo. Resultados en 12 benchmarks.
ConSteer-RL: Dirigiendo el razonamiento en LLMs con RL consciente de la confianza
Descubre ConSteer-RL: un nuevo método que mejora el razonamiento de LLMs usando señales de confianza con RL. Resultados: hasta 4% de mejora.
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%.
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.
RLVE: Escalando RL para LLMs con Entornos Verificables Adaptativos
Descubre RLVE: una técnica que escala el aprendizaje por refuerzo para LLMs con entornos adaptativos, logrando un 3.37% de mejora en razonamiento con menos cómputo.
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.
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.
Enseñar el método, no la respuesta: Destilación privilegiada multimodal
Descubre cómo PTD-PO optimiza políticas multimodales sin revelar respuestas, mejorando el razonamiento complejo.
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.
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.
Imágenes Hardened Explicadas: Menos CVEs, Menor Superficie de Ataque
Descubre cómo las imágenes hardened reducen hasta un 95% de vulnerabilidades en contenedores. Menos paquetes, menor riesgo, transparencia con SBOM.
Smart Picks en la oscuridad: RLVR eficiente con trazado metacognitivo
Descubre cómo PivotTrace logra un rendimiento casi total con solo el 29% de datos etiquetados y una convergencia 2.75 veces más rápida en RLVR.
GeoMin: Modelado Geométrico para RLVR Semi-Supervisado Eficiente
GeoMin optimiza RLVR semi-supervisado usando modelado geométrico. Logra +4.1% sobre los mejores y supera la supervisión completa con solo el 10% de datos etiquetados.
Replay de experiencia a nivel de rollout para GRPO
Descubre cómo el nuevo método de replay priorizado por ventaja mejora la eficiencia muestral en GRPO para LLMs, logrando +4.35% en benchmarks.