Dieses Paper stellt "Quantum Frog" vor, ein kooperatives Zwei-Spieler-Spiel mit neuartiger quantisierter Zeitmechanik, inspiriert von Frogger. Es nutzt Reinforcement Learning, um die Schwierigkeitsskalierung des Spiels, optimale Strategien und emergente Kooperationsstrategien zu analysieren.
Dieses Papier schlägt ein unsicherheitsbewusstes Framework für Reinforcement Learning im autonomen Fahren vor, das Expertenratschläge zur sicheren Steuerung der Exploration nutzt und langfristige Abhängigkeiten vermeidet. Es verwendet adaptive Schwellenwerte für die Ratgeberauslösung und eine Commitment-Cooldown-Strategie zur Regulierung der Anleitung, wodurch eine verbesserte Leistung in CARLA-Simulationen gezeigt wird.
NeuroNL2LTL ist eine neurosymbolische Architektur, die gelernte Übersetzung mit formaler Verifikation vereint, um natürliche Sprache in Lineare Temporale Logik zu übersetzen. Sie nutzt ein Training mit Verifizierer im Regelkreis, bei dem Verifikationsergebnisse als Belohnungssignale für Verstärkungslernen dienen, um die formale Korrektheit zu optimieren.
Der Artikel behandelt die Verbesserung der Suchfähigkeit in Large Language Models (LLMs) durch die Anwendung von Reinforcement Learning. Er schlägt eine Methode vor, um Suchverhalten in LLMs zu incentivieren.
Dieser Inhalt befasst sich mit dem Bereich des Multi-Objective Deep Reinforcement Learning. Er behandelt wahrscheinlich Techniken zum Trainieren von KI-Agenten, um mehrere Leistungskriterien gleichzeitig zu optimieren.
Diese Studie untersucht die GNN-basierte Kommunikation im Multi-Agenten-Reinforcement-Learning (MARL) und stellt das Fehlen einer expliziten Struktur fest. Sie schlägt einen verallgemeinerten GNN-basierten Kommunikationsprozess vor, um die zugrunde liegenden Konzepte klarer und zugänglicher zu machen.
Diese Arbeit untersucht die Auswirkungen systematischer Verifikationsfehler auf das Reinforcement Learning mit verifizierbaren Belohnungen (RLVR), eine Methode zur Verbesserung der Denkfähigkeiten großer Sprachmodelle. Im Gegensatz zu früheren Analysen, die Fehler als zufällig betrachteten, zeigt diese Studie, dass systematische Fehler Modelle dazu bringen können, unerwünschtes Verhalten zu lernen. Experimente an arithmetischen Aufgaben zeigen, dass systematische falsch-negative Ergebnisse ähnliche Effekte wie zufälliges Rauschen haben, während systematische falsch-positive Ergebnisse komplexere Auswirkungen haben können.
Diese Übersicht bietet eine optimierer-agnostische Sicht auf Rollout-Strategien für das RL-basierte Nachtraining von Reasoning-LLMs. Sie formalisiert Rollout-Pipelines mit einer einheitlichen Notation und führt die Generate-Filter-Control-Replay (GFCR) Lebenszyklus-Taxonomie ein, die Pipelines in vier modulare Phasen zerlegt.
AIPO ist ein neuartiger Reinforcement-Learning-Framework, der das LLM-Reasoning durch aktive Multi-Agenten-Interaktion während der Exploration verbessert. Es adressiert die Einschränkungen bestehender RL-Algorithmen, die durch die inhärente Fähigkeitsgrenze des Policy-Modells begrenzt sind und auf ineffiziente Trajektorienführung angewiesen sind.
DAS (verteilungsbewusste spekulative Dekodierung) behebt den Rollout-Engpass im RL-Nachtraining. Es beschleunigt Rollouts um bis zu 50 % ohne Einbußen bei der Belohnungsqualität.
O artigo apresenta PRISM, uma estrutura para Reinforcement Learning que fundamenta as decisões de agentes em conceitos discretos e causalmente validados, usando-os como interface de transferência zero-shot. Ele demonstra que esses conceitos impulsionam diretamente o comportamento do agente e que a importância de um conceito pode ser dissociada de sua frequência de uso.
Este artigo propõe uma estrutura de Reinforcement Learning (RL) que utiliza um LLM como juiz para gerar recompensas, permitindo a destilação de conhecimento sem a necessidade de rótulos de verdade fundamental. A abordagem demonstra ganhos substanciais de desempenho em benchmarks de raciocínio matemático, sugerindo que avaliadores baseados em LLM podem produzir sinais de treinamento eficazes.
O texto aborda as limitações de generalização do Reinforcement Learning (RL), onde políticas aprendidas falham fora da distribuição de treinamento. Propõe uma nova taxonomia de contextos (alógenos e autógenos) e identifica direções de pesquisa cruciais para desenvolver uma verdadeira inteligência contextual.
Este conteúdo apresenta o PROGRS, um framework para melhorar o raciocínio matemático em LLMs, combinando modelos de recompensa de processo (PRMs) com a priorização da correção do resultado final. Ele busca resolver o problema de PRMs que podem recompensar raciocínios intermediários fluentes, mas que levam a respostas incorretas, otimizando o aprendizado com feedback mais alinhado.
Dieses Papier stellt OSCToM vor, einen Ansatz zur Modellierung verschachtelter Glaubenskonflikte in LLM-basierten Theory of Mind-Aufgaben. Es kombiniert Reinforcement Learning und Kompositions-Surrogatmodelle, um diese Konflikte zu generieren, wobei OSCToM-8B in Experimenten die besten Ergebnisse erzielte.
SOLAR ist ein autonomer KI-Agent, der entwickelt wurde, um die Herausforderungen großer Sprachmodelle in dynamischen Umgebungen zu überwinden, indem er lebenslanges Lernen und kontinuierliche Anpassung ermöglicht. Er nutzt Meta-Learning auf Parameterebene und mehrstufiges Reinforcement Learning, um sich selbst zu verbessern und Anpassungsstrategien zu entdecken.
Mahjax ist eine neue, vollständig vektorisierte Riichi Mahjong-Umgebung, implementiert in JAX, die eine großflächige Rollout-Parallelisierung auf GPUs für die Forschung im Bereich des Reinforcement Learnings ermöglicht. Sie erleichtert das Tabula-rasa-Lernen und enthält ein hochwertiges Visualisierungstool zur Fehlerbehebung und Interaktion mit trainierten Agenten.
Diese Forschung stellt Ecom-RLVE vor, ein Framework, das darauf abzielt, adaptive und überprüfbare Umgebungen für Konversationsagenten im E-Commerce zu schaffen. Es konzentriert sich auf die Entwicklung robuster und zuverlässiger KI-Systeme für Online-Shopping-Interaktionen.
Dieser Inhalt untersucht einen neuartigen Ansatz für Deep Reinforcement Learning durch die Integration eines "Sicherheitskritikers" zur Vermeidung unsicherer Aktionen. Die Methodik zielt darauf ab, die Zuverlässigkeit und Robustheit von KI-Agenten zu verbessern, wodurch sie für den Einsatz in der realen Welt geeignet werden, wo Sicherheit von entscheidender Bedeutung ist.
Aurora ist ein Open-Source-RL-Framework, das entwickelt wurde, um spekulatives Dekodieren selbst zu verbessern, indem es von jeder bedienten Anfrage lernt. Es erzielt eine 1,25-fache Leistungssteigerung gegenüber gut trainierten statischen Spekulatoren.