arxiv arXiv cs.LG · hace 1 h · research

Investiga por tu cuenta: Aprender a pronosticar aprendiendo a buscar

Traducido del English → Español

Los investigadores presentan un entorno y conjunto de datos de pronóstico basado en agentes derivados de más de 2.100 preguntas resueltas de Polymarket para entrenar modelos de lenguaje a recopilar sus propias evidencias. El sistema permite a los agentes adquirir contexto mediante búsqueda web y series temporales financieras en el momento del despliegue, con un filtro de filtración para asegurar que la información preceda al corte de la pregunta.

Entrenado en Qwen3.5-35B-A3B usando GRPO de una sola época con recompensa basada en el puntaje de Brier.
La calibración mejora entre un 30% y 40%, y los intentos de búsqueda disminuyen de 3,8 a 2,25 por despliegue a medida que se aprende la disciplina de evidencia.
El modelo supera a cuatro modelos líderes, incluyendo Claude Opus 4.5 (Brier suave 0,254 frente a 0,256), con aproximadamente el 5% del costo de inferencia.

Los autores publican el entorno, el conjunto de datos y los registros por despliegue como un arnés reutilizable para agentes de pronóstico temporal.

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

Artículos relacionados

arxiv arXiv cs.CL · hace 8 d · 8 vistas

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

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.

arxiv arXiv cs.CL · hace 8 d · 10 vistas

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 23 d · 34 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 106 d · 13 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 107 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.