BabyAI
PulseAugur coverage of BabyAI — every cluster mentioning BabyAI across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
ETHER 智能体通过涌现通信改进强化学习
研究人员开发了 ETHER（Emergent Textual Hindsight Experience Replay，视距经验回放的涌现文本），这是一种新颖的智能体，旨在提高目标条件强化学习（RL）的样本效率。ETHER 通过使用涌现通信来学习目标重新标记和满意度函数，解决了传统视距经验回放（HER）在指令遵循任务中的局限性。在 BabyAI PickupDist 任务上的实验表明，即使语言对齐不完美，ETHER 的方法也能提高样本效…
-
新的DDO方法增强了LLM代理策略的多样性
研究人员推出了一种新颖的大型语言模型代理离线后训练方法——直接多样性优化（DDO）。DDO旨在通过结合发散树收集（DTC）和参考相对目标赔率目标（RTO）来提高代理可采用的成功策略的广度。该方法构建了与状态对齐的分支集，并训练模型在成功的替代方案中匹配参考相对目标。与BabyAI、BabaIsAI和WebShop等基准上的现有方法相比，DDO在任务成功率和策略覆盖率方面均表现出优越的性能。
-
Prefix-GRPO 增强小型语言模型以用于交互式代理
研究人员推出了一种新颖的强化学习框架 Prefix-GRPO，旨在增强小型语言模型在交互式代理任务中的性能。该方法将教师轨迹分解为与重放对齐的前缀查询和在线续接，使学生模型能够在长视界环境中更有效地学习。在 TextCraft、BabyAI 和 ALFWorld 上的实验表明，Prefix-GRPO 通过在统一的策略优化框架内优化前缀学习和续接学习，其性能优于标准的蒸馏和强化学习基线。
-
研究人员发现AI世界模型存在指令泄露问题
研究人员发现，在那些使用语言目标来接地空间关系（例如“将红色积木放在蓝色积木的左边”）的紧凑世界模型中存在一个关键问题。他们发现，这些模型经常出现“指令泄露”，即模型的准确性来自于转录指令，而不是来自于对场景的实际感知。当目标指令被撤销或更改时，准确性显著下降，这表明模型并未真正接地空间关系，从而证明了这种泄露的存在。提出的解决方案包括将目标与动态分开，并监督读取路径以实现指令无关的接地。