Компьютерные науки > Искусственный интеллект [представлен 9 октября 2026 года] Название: Rollout-Time Activitation: Разблокировка агентского обучения за пределами политических ограничений PDF HTML (экспериментальный) Резюме: Учеба в целях повышения эффективности крупных языковых моделей (LLM), что позволяет более эффективно рассуждать, планировать и использовать инструменты в интерактивной среде. Однако существующие методы агента RL по-прежнему в значительной степени сдерживаются пробелом, обусловленным соображениями политики: когда задачи выходят за рамки нынешних возможностей модели, эффективные траектории становятся крайне ограниченными и обучение часто разваливается. Мы введем метод " Взрыв-время вмешательства > (RTI), предназначенный для получения успешных траекторий, выходящих за рамки внутренних разведочных возможностей политики. RTI действует путем использования данных, полученных в результате поощрения (т.е. Хотя траектории вмешательства по своей сути не имеют отношения к политике, мы считаем, что они могут эффективно направлять оптимизацию политики в тех случаях, когда траекори с чрезмерными сдвигами в распределении фильтруются. Широкие эксперименты по пяти контрольным показателям показывают, что RTI последовательно опережает исходные уровни RL, позволяя после прохождения подготовки проводить политику в отношении существенно более сильных современных МЛМ и, что еще важнее, выходить за рамки своих первоначальных возможностей. Код доступен на сайте https URL.…
Вмешательство в процесс " запуска-вращение &qt; : отключение агентского обучения вне рамок политики
arXiv: 2610.13438v1 Annualce Type: New Humber Abstract: Unerpulation Leating (RL) стала ключевой парадигмой для совершенствования агентов большой языковой модели (LLM), что позволяет более глубоко рассуждать, планировать и использовать инструменты в интерактивной среде. Однако существующие методы агента RL по-прежнему в значительной степени сдерживаются пробелом, обусловленным соображениями политики: когда задачи выходят за рамки нынешних возможностей модели, эффективные траектории становятся крайне ограниченными и обучение часто разваливается. Мы введем метод " Взрыв-время вмешательства > (RTI), предназначенный для получения успешных траекторий, выходящих за рамки внутренних разведочных возможностей политики. RTI действует путем использования данных, полученных в результате поощрения (т.е. Хотя траектории вмешательства по своей сути не имеют отношения к политике, мы считаем, что они могут эффективно направлять оптимизацию политики в случае ее изменения.