arxiv arXiv cs.CL · ahora mismo · fuente: hace 2 d · research

TaoLive presenta Entrenamiento Consciente del Arnés para agentes de avatares digitales evolutivos

Traducido del English → Español

Los investigadores presentan TaoLive, un informe técnico sobre el entrenamiento de agentes de avatar digital que pueden adaptarse a estrategias comerciales cambiantes en tiempo real durante el comercio electrónico en vivo sin necesidad de reentrenamiento. El sistema utiliza un Arnés Evolutivo para desacoplar habilidades y herramientas de los pesos del modelo, abordando el desafío de que los modelos memoricen configuraciones desactualizadas mediante Entrenamiento Consciente del Arnés (HAT).

HAT emplea Aumento de Estado del Arnés en tres etapas: ajuste fino supervisado, destilación general on-policy y aprendizaje por refuerzo agéntico.
El modelo compacto de 35B obtiene una puntuación de 94.8 en Live-Stream QA y 94.6 en Harness-Variant QA, superando al modelo base (80.3) y al LLM general más potente (93.0).
El sistema logra una latencia P50 de 3.407 s y P95 de 8.114 s en una única GPU NVIDIA H20 con MTP habilitado.

Este enfoque produce un agente compacto viable en términos de latencia que permanece efectivo ante los cambios de Arnés evaluados sin sacrificar el seguimiento general de instrucciones.

Importancia 2/3 Nuevo entorno de evaluación con diferenciadores arXiv cs.CL AI agents Training methods

Benchmarks

Benchmark	Modelo	Puntuación
IFEval	compact 35B model	83.5%

Artículos relacionados

arxiv arXiv cs.CL · hace 1 d · 7 vistas

SocialRL entrena un modelo de 4B para igualar a GPT-5 en negociación mediante razonamiento social

Los investigadores presentan SocialRL, una receta de entrenamiento que refuerza directamente el razonamiento social en modelos de lenguaje pequeños para mejorar su rendimiento como negociadores estratégicos. Aplicado a un modelo de 4B en seis dominios, incluyendo Deal-or-No-Deal y Entrevista de trabajo, el enfoque permite al modelo igualar o superar el rendimiento de la familia GPT-5 en escenarios no vistos.

media MarkTechPost · hace 16 d · 17 vistas

NVIDIA NeMo lanza Molt, un framework de RL agéntico compacto y nativo de PyT

El equipo de NeMo de NVIDIA ha lanzado Molt, un framework de aprendizaje por refuerzo agéntico de código abierto diseñado para reducir la complejidad de la iteración de algoritmos para investigadores. La base de código tiene aproximadamente 8.6K líneas de código RL, significativamente menor que frameworks comparables como verl (62K líneas) y slime (25K líneas).

media Hugging Face Forums · hace 16 d · 15 vistas

Investigar si las trazas de agentes fallidos son utilizables como datos de ajuste fino

El autor propone la hipótesis de que las trazas de agentes que utilizan herramientas y fallan, como selecciones incorrectas de herramientas o argumentos malformados, pueden servir como valiosos datos de ajuste fino para entrenar modelos a alejarse de estos errores. La publicación busca retroalimentación de la comunidad sobre si el entrenamiento con trazas de fallo corregidas es efectivo o perjudicial.

lab Microsoft Research Blog · hace 18 d · 18 vistas

Microsoft Research presenta EvoLib para el aprendizaje en tiempo de prueba con una biblioteca en evolución

Microsoft Research ha presentado EvoLib, un marco que permite a los modelos de lenguaje grandes aprender de su propia experiencia durante la inferencia sin necesidad de etiquetas de verdad fundamental ni retroalimentación externa. En lugar de almacenar experiencias crudas como memorias estáticas, EvoLib las transforma en habilidades reutilizables e insights reflexivos que se refinan, consolidan y reponderan continuamente.

lab Microsoft Research Blog · hace 18 d · 23 vistas

Microsoft lanza Echoverse para entrenar agentes de uso de computadora

Microsoft Research ha lanzado Echoverse, una colección de doce entornos sintéticos profundos diseñados para entrenar agentes de uso de computadora. La iniciativa incluye diez mundos específicos por dominio y dos mundos centrados en capacidades, todos construidos para mantener un estado coherente y fidelidad conductual.