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

InterEvolve: Эволюция программ вознаграждений в процессе тестирования для локомоторно-манипуляционных задач у человеческих роботов

В статье представлена методика InterEvolve для эволюции программ вознаграждений в процессе тестирования для локомоторно-манипуляционных задач у человеческих роботов. Метод использует объектно-ориентированную фундаментальную модель поведения и агента на основе больших языковых моделей для пересмотра программ вознаграждений на основе обратной связи от выполнения и библиотеки навыков, позволяя контроллерам адаптироваться к новым задачам без повторного обучения.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
4
голосов источника
Наблюдаем с2 октября 2026 г.4 голосов источника
Темп интереса—Нужны повторные замеры
Опубликовано1 октября 2026 г.Zhuo Lin, Sirui Xu, Liuyu Bian
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

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

4 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

Этот подход позволяет человеческим роботам адаптироваться к новым задачам, эволюционируя программы вознаграждений во время тестирования, используя существующие навыки и обратную связь без повторного обучения.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily 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.

3 дня назадDaily 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.

6 дней назадDaily 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.

5 дней 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.

4 дня назадLessWrong

Определение даты без доступа к реальному времени

Текст рассматривает сценарий, в котором ИИ должен ответить на вопрос «Какая сегодня дата?», не имея доступа к реальному времени. Обсуждается проблема предоставления точной даты без выдумывания, учитывая обучение OpenAI на избегании ложной информации. Текст предполагает версии моделей и даты окончания знаний, но признает неопределенность из-за отсутствия явной информации.

вчераLessWrong

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.

вчера