Найдено записей: 14
'Agent0 коэволюционирует генератор задач и исполнителя из одного базового LLM, используя песочницу Python и адаптивный RL для улучшения математических и общих навыков без внешних данных.'
'DreamGym от Meta синтезирует взаимодействия как текст с помощью reasoning‑модели и буфера памяти, сокращая потребность в реальных прогонах и улучшая результаты на веб‑бенчмарках.'
'Early Experience использует состояния, сгенерированные агентом, как супервижен и превосходит имитационное обучение на восьми задачах, улучшая старт для последующего RL.'
'Alibaba открыла исходники Tongyi DeepResearch-30B-A3B — MoE-модель с 128K контекстом для длительных исследований и высокими результатами в бенчмарках.'
'R-Zero — коэволюционная схема, где Challenger генерирует сложные задачи, а Solver учится на них, обеспечивая обучение без внешних меток и улучшая точность рассуждений.'
'Rubrics as Rewards (RaR) представляет метод обучения с подкреплением, использующий структурированные рубрики для повышения качества обучения языковых моделей в медицине и науке.'
MMSearch-R1 представляет собой систему обучения с подкреплением, которая позволяет большим мультимодальным моделям эффективно и избирательно выполнять поиск по запросу, улучшая точность и снижая нагрузку на систему поиска.
Meta и NYU разработали полуонлайн метод обучения с подкреплением, который балансирует офлайн и онлайн подходы для улучшения выравнивания больших языковых моделей и повышения их производительности в инструкциях и математике.
QwenLong-L1 представляет структурированный подход к обучению с подкреплением, позволяющий большим языковым моделям эффективно решать задачи с длинным контекстом и достигает лучших результатов на множестве бенчмарков.
Ant Group представила SEM — метод обучения с подкреплением, который помогает большим языковым моделям решать, когда использовать внешний поиск, повышая точность и снижая избыточные запросы.
RLV представляет собой объединённый подход, интегрирующий верификацию в value-free обучение с подкреплением для языковых моделей, значительно повышая точность рассуждений и эффективность вычислений на математических тестах.
PrimeIntellect представил INTELLECT-2 — 32-миллиардную модель для рассуждений, обученную с помощью децентрализованного асинхронного обучения с подкреплением, которая превосходит предыдущие модели и доступна с открытым исходным кодом.
'ZeroSearch от Alibaba обучает языковые модели поиску с помощью усиленного обучения и симулированных документов без использования дорогих API реального поиска, достигая результатов, сравнимых с Google Search.'
Исследователи USC представляют Tina — семейство компактных моделей рассуждения, использующих LoRA и обучение с подкреплением для эффективного достижения высоких результатов с минимальными затратами.