Компьютерные науки > Искусственный интеллект [представлен 14 октября 2026 года] Название: " Обучение восприятию к правилам действий посредством укрепления обучения по теории разума PDF HTML (экспериментальный) резюме: В теории Mind (Том) рассуждения о том, что крупные языковые модели могут правильно определять психическое состояние агента, но не использовать это предположение при прогнозировании или оценке последующих действий агента. В этой работе мы изучаем вопрос о том, улучшает ли том рассудительность четкое сочетание восприятия, веры и действий с правилами. Мы вырабатываем сжатые formula_textit {если-то} правила, которые выражают связь между восприятием и действием и использованием Group относительной оптимизации политики (GRPO) для обучения моделей Qwen2,5 и Llama3 по четырем критериям Тома. GRPO с превосходящимися качествами поколения правил вызывает, под наблюдением и тщательной корректировкой и аргументацией мышления. Кроме того, правила, разработанные более крупными моделями ($geq $3B), обеспечивают передачу знаний, которые повышают эффективность работы GPT-4o-mini. Эти выводы свидетельствуют о том, что четкие правила помогают модели устранять пробелы в рассуждениях по ТМ и поддерживают передачу знаний между моделями. Дополнительные ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?)…
Учиться пониманию правил действий посредством укрепления обучения по вопросам теории минергии
arXiv:2610.19796v1 Аннонс Тип: перекрестное резюме: в теории миндаля (TOM) рассуждения о том, что крупные языковые модели могут правильно определять психическое состояние агента, но не использовать это предположение при прогнозировании или оценке последующих действий агента. В этой работе мы изучаем вопрос о том, улучшает ли том рассудительность четкое сочетание восприятия, веры и действий с правилами. Мы вырабатываем сжатые formula_textit {если-то} правила, которые выражают связь между восприятием и действием и использованием Group относительной оптимизации политики (GRPO) для обучения моделей Qwen2,5 и Llama3 по четырем критериям Тома. GRPO с превосходящимися качествами поколения правил вызывает, под наблюдением и тщательной корректировкой и аргументацией мышления. Кроме того, правила, разработанные более крупными моделями ($geq $3B), обеспечивают передачу знаний, которые повышают эффективность работы GPT-4o-mini. Эти выводы свидетельствуют о том, что четкие правила помогают модели устранять пробелы в рассуждениях по ТМ и поддерживают передачу знаний между моделями.
