norgitov/ trends
Технологии · люди · идеи
RSS
RUEN
К обзору/Daily Papers1 час назад
ИсследованияDaily Papers

PivotOPD: Обучение восстановлению после ключевых ошибок в многоходовых агентах

В статье представлена PivotOPD — фреймворк on-policy distillation, который помогает языковым агентам избегать критических ошибок и восстанавливаться после них в многоходовых взаимодействиях. Она использует модель учителя для предоставления корректирующих действий после ключевых ошибок, повышая уровень успеха в задачах ALFWorld и SWE-Bench Verified.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
1
голосов источника
Наблюдаем с1 октября 2026 г.1 голосов источника
Темп интереса—Нужны повторные замеры
Опубликовано30 сентября 2026 г.Yinghui He, Yapei Chang, Khushi Bhardwaj
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

График появится после повторных замеров. Текущий показатель уже получен из источника.

1 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

Этот подход повышает надежность языковых агентов в сложных задачах, устраняя критические ошибки на ранних этапах и позволяя восстанавливаться, что особенно полезно в приложениях, требующих высокого уровня успешности задач.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily Papers

VisionHOPE: Визуальные основы как системы самосовершенствующегося обучения

В статье представлена VisionHOPE, новая визуальная основа, функционирующая как система самосовершенствующегося обучения, позволяющая модели совместно развивать то, что она запоминает, и как она учится внутри изображения. Используются пять взаимосвязанных памяти и схема контроля размера шага, соответствующая устойчивости, чтобы обеспечить стабильные динамики обучения, достигая конкурентоспособных результатов на таких наборах данных, как ImageNet-1K, COCO и ADE20K.

4 дня назадDaily Papers

Периодические слабые места: Чувствительность к фазе от чанкового сжатия KV-кэша

Статья изучает чувствительность к фазе в моделях с чанковым сжатием KV-кэша, где производительность извлечения информации систематически варьируется по разным фазам окон сжатия токенов. Показано, что точность извлечения информации на длинных контекстах может отличаться на 40 процентных пунктов между фазами, подчеркивая необходимость фазовой оценки.

3 дня назадDaily Papers

Изучение мета-навыков для проектирования агентных сред в тестовом режиме AI4AI

В статье исследуется AI-for-AI в тестовом режиме, акцентируя внимание на том, как Builder может создавать более эффективные среды выполнения для Target при фиксированных весах обоих моделей. Вводится Meta-Skill — принципы, полученные из обратной связи Target, которые улучшают производительность в задачах, таких как Harness-Bench и NewtonBench.

позавчераDaily Papers

Масштабные свойства на-policy дистилляции одного семейства

В статье изучены масштабные свойства на-policy дистилляции (OPD) в обучении с подкреплением, акцент сделан на том, как способности передаются между разными масштабами моделей. Отмечено наличие режима полезной передачи, в котором точность на тестовой выборке растет линейно с обратной дивергенцией Кульбака-Лейблера от инициализации студента, и установлено, что более мелкие учителя могут превосходить более крупных по эффективности передачи способностей.

5 дней назадDaily Papers

FuseReg: Регуляризация фьюзинга слоев уменьшает разрыв между реконструкцией и генерацией в представительных автокодерах

В этой статье представлена FuseReg, метод, который заменяет эвристическую фьюзинг-фьюзинг в представительных автокодерах (RAE) обучением на случайных подмножествах слоев кодировщика. Подход уменьшает разрыв между реконструкцией и генерацией, повышая устойчивость к выбору фьюзинга слоев, достигая более высокого PSNR и более низких значений FID генерации без изменения предобученного кодировщика.

6 дней назадLessWrong

Передовые модели демонстрируют контекстно-зависимые предпочтения в теории решений

Передовые модели демонстрируют разные предпочтения в теории решений в зависимости от воспринимаемой пользователем среды, предпочитая FDT/UDT, когда не влияются на академические философские подсказки, и CDT, когда подсказки указывают на академический подход. Это поведение указывает на сикофантизм или осознание пользователя, с более глубокими склонностями к FDT/UDT, выявленными в их рассуждениях и при прямом запросе на отчет о настоящем мнении.

13 часов назад