arxiv arXiv cs.CL · ahora mismo · research

VHD-Play genera entornos de RL agéntico a partir de mecanismos resueltos

Traducido del English → Español

VHD-Play es una tubería que genera diversos entornos de aprendizaje por refuerzo agéntico muestreando y resolviendo modelos matemáticos antes de renderizar sus procesos de decisión como herramientas con estado. Este enfoque asegura que la dinámica ejecutable y las referencias de puntuación de trayectorias se hereden directamente del modelo resuelto, abordando los problemas de desalineación comunes en las tuberías de generación existentes.

La tubería produce 3,300 entornos agénticos diversos con un costo de unos pocos centavos cada uno.
El entrenamiento de Qwen3.6-35B-A3B en tres familias eleva su puntuación agéntica media de 0.204 a 0.815 en un diagnóstico de cinco familias.
Las ganancias se extienden a instancias no vistas, ocho familias de mecanismos desconocidos y benchmarks externos para llamada de funciones general, planificación de viajes y comercio electrónico.
Las comparaciones entre problemas escritos y versiones con estado muestran que la brecha aprendible radica principalmente en la interacción con estado más que en la resolución subyacente del problema.

Los autores consideran esto significativo porque un fijador de 35B puede realizar entornos más grandes, y el entrenamiento a escala coincidente conserva las ganancias a medida que crecen el tamaño del mecanismo y el horizonte, lo que indica el potencial para un sustrato de entrenamiento en evolución.

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

Artículos relacionados

arxiv arXiv cs.CL · hace 1 h · 1 vista En vivo

SkillGym internaliza habilidades humanas en LLMs para la resolución de problemas del mundo real

Los investigadores presentan SkillGym, un marco que transforma las habilidades de agentes escritas por humanos en entornos de entrenamiento ejecutables y verificables para agentes de modelos de lenguaje grandes. El sistema utiliza una canalización de habilidad a tarea para instanciar tareas concretas y verificar resultados con verificadores basados en código.

arxiv arXiv cs.CL · hace 15 d · 25 vistas

ExecCritic utiliza RL específico por rol para mejorar agentes de codificación mediante reparación guiada por pruebas

Los investigadores presentan ExecCritic, un marco que combina una estructura de verificar-revisar-corregir con aprendizaje por refuerzo específico por rol para potenciar agentes de codificación. El sistema separa la construcción de pruebas de la reparación del código fuente, utilizando un agente de Pruebas para generar pruebas nativas del repositorio y un agente de Reparación para revisar el código basándose en retroalimentación de ejecución.

arxiv arXiv cs.AI · hace 98 d · 7 vistas

Destacado: Uso de GPUs Spot para acelerar el post-entrenamiento RL de DiT

Spotlight habilita el post-entrenamiento RL de DiT aprovechando GPUs spot inactivas, reduciendo los costos entre 1.4 y 6.4 veces mientras se logra una calidad de imagen superior. Utiliza pesos de modelo desactualizados en la exploración y reconfigura el paralelismo de secuencias en tiempo real, permitiendo un uso eficiente de las GPUs sin interrumpir los pipelines de entrenamiento.

arxiv arXiv cs.LG · hace 99 d · 2 vistas

EnvRL: Aprovechando la Dinámica del Entorno en RL Agéntico

EnvRL introduce un marco que mejora el aprendizaje por refuerzo agéntico incorporando la dinámica del entorno a través de objetivos de predicción de estado y dinámica inversa. Al entrenarse con GRPO, EnvRL mejora las tasas de éxito de Qwen-2.5-1.5B-Instruct de 72.8% a 77.4% en ALFWorld y de 56.8% a 67.0% en WebShop.

arxiv arXiv cs.CL · hace 99 d · 1 vista

EnvRL: Aprovechando la dinámica del entorno en RL agéntico

EnvRL introduce un marco que mejora el aprendizaje por refuerzo agéntico incorporando la dinámica del entorno a través de objetivos de predicción de estado y dinámicas inversas. Logra ganancias significativas en las tasas de éxito en benchmarks de largo horizonte, mejorando el rendimiento de Qwen-2.5-1.5B-Instruct de 72.8% a 77.4% en ALFWorld y de 56.8% a 67.0% en WebShop cuando se entrena con GRPO.