norgitov/ trends
Технологии · люди · идеи
RSS
RUEN
К обзору/Daily Papers3 часа назад
ИсследованияDaily Papers

MIMESIS: Обучение симуляторов пользователей в качестве обучающих сред для интерактивных агентов

В статье представлена MIMESIS, симулятор пользователей, обученный на диалогах с людьми с явным руководством по рассуждениям и 13 реалистичными поведенческими паттернами. Она достигает SOUL-Index 65.7, превосходя существующие модели. Симулятор используется для обучения агентов через многократное обучение с подкреплением, показывая лучшую обобщаемость, чем GPT-5.5. Также предлагается Coached On-Policy Self-Distillation (CSD) для улучшения производительности агентов с использованием обратной связи от симулятора.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
9
голосов источника
Наблюдаем с8 октября 2026 г.9 голосов источника
Темп интереса—Нужны повторные замеры
Опубликовано7 октября 2026 г.Hoang Phan, Dat Huynh, Andrey Zhmoginov
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

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

9 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

MIMESIS предоставляет масштабируемую и реалистичную альтернативу взаимодействиям с людьми для обучения и оценки интерактивных агентов, повышая точность поведения и обобщаемость. Метод Coached On-Policy Self-Distillation улучшает производительность агента с использованием детальной обратной связи от симулятора.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily Papers

CheckerBench: Могут ли агенты с долгосрочной перспективой синтезировать статические анализаторы?

CheckerBench — это тестовый набор для оценки способности кодирующих агентов синтезировать статические анализаторы на основе спецификаций дефектов, включая задачи, полученные из 300 уязвимостей CVE в различных репозиториях и экосистемах языков. CheckerLab — это фреймворк оценки, измеряющий контраст диагностик, локализацию патчей и использование инструментов, при этом результаты показывают, что текущие агенты сталкиваются с трудностями в разработке надежных проверок, достигая максимального значения Pass@1 в 45,33%.

позавчераDaily Papers

Приросты и коллапс в on-policy distillation: Перспектива обучения с подкреплением

Статья изучает на-policy distillation (OPD) в постобучении языковых моделей, объясняя, как это может привести как к улучшению производительности, так и к коллапсу генерации. Она предполагает, что OPD усиливает поведение студентов, любимое неявной обратной связью учителя, и предлагает методы, такие как маскировка нездоровых ответов и инициализация SFT, для смягчения коллапса.

6 дней назадDaily Papers

Обучение действиям в мире через спектральную направленную на взаимодействие скрытую генерацию

В статье представлено WING, фреймворк, который переносит знания об взаимодействии из видео с человеческой перспективы на роботизированные политики, разделяя движение наблюдателя на взаимодействие рук и объектов и используя спектральный анализ для выявления общих временных структур между поведением человека и робота. Он показывает высокие показатели успешности на нескольких бенчмарках и демонстрирует сильные результаты в реальных задачах.

6 дней назадDaily Papers

Нативное обучение приоритетов действий на видео для моделей мировых действий

В статье представлена NAVA-WAM, метод предварительной настройки политик действий непосредственно из видеозаписей без использования аннотированных данных о действиях. Метод включает два этапа: предварительную настройку на видео с визуальным контролем переходов и последующую настройку с использованием демонстраций с аннотациями действий для улучшения управления роботом.

6 дней назадDaily Papers

Tetris3D: Генерация 3D-сцен с объектами, совместимыми друг с другом

Tetris3D — это генеративная система восстановления 3D-сцен по одному изображению, обеспечивающая геометрическую и физическую согласованность объектов. Она использует явное условие на геометрию окружающих объектов и их физические отношения, а также физически основанный набор данных ComOb для обучения и оценки.

вчераDaily Papers

Пересмотр кросс-токенизаторного on-policy distillation: От охвата выравнивания до надежности обучения

В статье исследуется на-policy distillation (OPD) в кросс-токенизаторных условиях, с акцентом на охват выравнивания и надежность обучения. Установлено, что строгое выравнивание 1:1 охватывает большинство токенов, сгенерированных студентом, несмотря на несоответствие словарей, и что ограничение обратной KL до топ-16 подмножества общего словаря достигает сравнимой точности с полным общим словарем OPD, в то время как добавление обучения по спанам снижает точность.

позавчера