实体
RL with Verifiable Rewards
RL with Verifiable Rewards
PulseAugur coverage of RL with Verifiable Rewards — every cluster mentioning RL with Verifiable Rewards across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
Amazon SageMaker AI 推出用于微调搜索代理的多轮强化学习
Amazon SageMaker AI 现在提供一项多轮强化学习 (MTRL) 功能，旨在对大型语言模型 (LLM) 驱动的搜索代理进行微调。这种方法训练代理在交互序列中做出最佳决策，提高检索质量和可靠性，同时保持小型模型的速度和成本效益。MTRL 系统提供模块化接口、无服务器执行和各种策略梯度算法，以实现强大的代理训练。
-
新的大型语言模型训练方法结合了可验证的奖励和人类演示
研究人员开发了一个新的大型语言模型（LLM）训练框架，该框架结合了可验证的奖励和人类演示。这种方法解决了当前仅关注客观指标的方法的局限性，这些方法常常忽略风格和结构等主观质量，可能导致不自然的响应和奖励漏洞等问题。提出的对抗性生成器-判别器模型学会优化任务准确性和源自人类示例的对抗性奖励信号，从而有效地捕捉输出质量的不可验证方面。在修复错误、故事生成和奖励漏洞基准测试中的实验表明，在保持或提高客观性能的同时，这些主观质量得到了显著改善。