Buscar noticias

Buscá por texto y descubrí noticias relacionadas con tu consulta.

Noticias relevantes

Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.

El razonamiento no supervisado emerge de una cohorte diversa en RL multiagente

Se presenta Co-RL, un marco de Aprendizaje por Refuerzo (RL) que permite el razonamiento no supervisado mediante el entrenamiento cooperativo de múltiples agentes desacoplados. El trabajo demuestra que aumentar la diversidad de la cohorte mejora el rendimiento del razonamiento y mitiga el colapso del entrenamiento, mejorando los modelos base sin etiquetas de verdad fundamental.

Periodista: Yunhao Yang, Yuexin Bian, Yunjie Tian, Di Fu, Tianjin Huang, Yuanyuan Shi, Ziang Xiao, Nuno Vasconcelos, Yijiang Li

Personas mencionadas

Noticias encontradas

Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.

Resultados para «RL»

Más recientes primero · Hasta 30 noticias por página

Rubio advierte a Europa sobre los planes de Putin: Donbás no se quedará estancado

El ministro de Asuntos Exteriores estadounidense Marco Rubio advirtió a los representantes europeos que la toma del Donbás ucraniano no detendrá las ambiciones territoriales rusas, señalando que Moscú podría buscar expandirse hacia el oeste. Rubio también expresó dudas sobre la capacidad rusa para tomar el Donbás por la fuerza y señaló que la membresía de Ucrania en la OTAN es inaceptable para Putin. Además, Washington instó a los aliados europeos a moderar su retórica hacia Rusia, mientras que los países bálticos critican la agresión rusa.

Periodista: Pravda

OmniPiano: Desafíos de manipulación de piano con múltiples agentes de RL

Se presenta OmniPiano, un punto de referencia para el aprendizaje por refuerzo (RL) que aborda el desafío de la manipulación robótica diestra en la ejecución de tareas de piano. Este benchmark soporta de una a cinco manos sombra y permite la evaluación de RL robusto y multiagente con configuraciones de seguridad y cooperación descentralizada. Las evaluaciones indican que los algoritmos de RL de vanguardia y los agentes basados en LLM aún enfrentan dificultades con tareas complejas de toque de piano.

Periodista: Fan Xu, Fan Yang, Yifan Xu, Ruiyuan Zhang, Yimou Wu, Nuo Yi, Muning Wen, Guang Chen, Costas Spanos, Shangding Gu

Personas mencionadas

¿Puedes romper RLVER? Explorando la robustez adversaria de agentes empáticos entrenados con RL

Se evalúa el modelo de lenguaje empático entrenado con aprendizaje por refuerzo a partir de recompensas de emoción verificables (RLVER) frente a usuarios simulados. Se introduce la Puntuación de Consistencia Emocional (ECS) para determinar si el modelo mejora el estado emocional sin hacer que el estado del usuario sea más legible. Los resultados muestran que RLVER-PPO-Think supera a la línea de base sin ajustar en detección de intención oculta.

Periodista: Deeraj S K, Sadhana Devarajan, Krishna Mehra, Sudhakar Mishra

Personas mencionadas

NeMo-DCR: Refit Delta-Comprimido Exacto para RL Agéntico Escalable a Escala de Trillones de Parámetros

Se presenta NeMo-DCR, un método de refit delta-comprimido exacto para el aprendizaje por refuerzo (RL) escalable a escalas de trillones de parámetros. Este método envía solo los cambios, permitiendo a los receptores obtener los bits de un refit denso. Se demuestra que NeMo-DCR es 7 veces más rápido que AReaL-DTE y es significativamente más rápido en escenarios de estrés.

Periodista: Songlin Jiang, Zhiyu Li, Terry Kong, Yu Yao, Youngeun Kwon, Bernard Nguyen, Ashwath Aithal, Mario Di Francesco

Personas mencionadas

WebHarbor: Entornos de sitios web ejecutables para entornos de agentes GUI en evolución

Se presenta WebHarbor, un conjunto de 153 entornos de sitios web ejecutables y dockerizados diseñados para proporcionar entornos realistas y estables para el entrenamiento y evaluación de agentes GUI. Esta plataforma permite la reconstrucción fiel de interfaces y flujos de trabajo funcionales de servicios web reales bajo control determinista. Se demuestra que un agente GUI entrenado con RL en WebHarbor generaliza bien a tareas no vistas, superando a agentes de código abierto en varios benchmarks.

Periodista: Zhaoyang Wang, Qianhui Wu, Boyu Gou, Demi Wang, Jiacheng Zhang, Peichun Hua, Qize Li, Shi Qiu, Yifan Jiang, Yifan Zhang, Zexu Jin, Baolin Peng, Bolin Shen, Chetan Bansal, Dehan Kong, Deren Lei, Dongshen Peng, Fengqing Jiang, Hao Cheng, Haoqing Wang, Jiaming Shan, Jicheng Wang, Jingguang Zhou, Jixuan He, Kaide Zeng, Kangyu Zhu, Lama Moukheiber, Mufan Qiu, Peng Xia, Qihan Sun, Qingwei Lin, Qiushi Sun, Ruichen Zhang, Shuqing Luo, Si Qin, Sicheng Fan, Tao Xiong, Wenlin Yao, Xinyu Zhang, Xinyue Zeng, Xuanrui Li, Xuchao Zhang, Yian Wang, Yichao Liu, Yiming Liang, Yiyang Zhou, Yizhu Jiao, Yuetai Li, Yurun Chen, Yuxuan Zhang, Zheyuan Yang, Zhiyuan Yao, Zhongyang Li, Zihao Li, Zili Wang, Jianfeng Gao, Huaxiu Yao

Modelos de lenguaje aprenden a mejorar modelos de lenguaje

Se propone LM2LM para entrenar LLMs con RL para generar propuestas de mejora efectivas de modelos de lenguaje. Se utiliza un modelo de mundo de investigación (RWM) como modelo de recompensa para proporcionar retroalimentación escalable. Evaluaciones muestran que LM2LM permite a Qwen3.8-27B superar a GPT-6-sol con un 33% menor costo de generación de datos.

Periodista: Minhua Lin, Zijun Wang, Zewen Liu, Zhaotian Weng, Bing He, Zhan Shi, Benoit Dumoulin, Xiang Zhang, Suhang Wang, Hanqing Lu

Personas mencionadas

Muere Iyzaa Naden tras enfrentamiento de pandillas en Sydney

Cuatro jóvenes fueron acusados de apuñalar y matar a Iyzaa Naden y herir a su hermano en una parada de autobús en Sydney, motivados por la rivalidad entre dos pandillas juveniles. El ataque ocurrió el 12 de abril de 2024 y el fallecido murió poco después en el hospital. El tribunal está escuchando pruebas sobre la rivalidad entre las pandillas involucradas en el suceso.

Periodista: Naomi Toy

Nuevo índice de análisis artificial amplía la brecha entre modelos abiertos y cerrados

Un nuevo índice de análisis artificial ha ampliado la diferencia entre modelos de IA abiertos y cerrados, con el modelo Kimi K3.1 Pro cayendo cinco puestos en la clasificación. Este cambio se debe a que el 60% del índice ahora se basa en conjuntos de pruebas privados para evitar el 'benchmaxxing'. El investigador Nathan Lambert sugiere que los avances en entrenamiento se dan en entornos de aprendizaje por refuerzo, y que los conjuntos de pruebas cerrados tienen limitaciones para detectar errores en los prompts.

Periodista: Firma no identificada

Microsoft y Hugging Face convierten la verificación de bases de datos en recompensas de RL para entrenar agentes

Microsoft y Hugging Face presentaron ThinkingBox-Training, un método que convierte las verificaciones ejecutables del estado final de una base de datos en recompensas para el entrenamiento con aprendizaje por refuerzo de agentes. Tras 50 pasos de GRPO sobre un pool de 187 tareas seleccionadas por dificultad relativa a la política, Qwen3.8-27B elevó su éxito promedio del 51,70% al 60,78% y las tareas resueltas en los 20 intentos pasaron de 38 a 107, con un costo por tarea confiable que cayó de 24,36 a 8 dólares. Los autores advierten que la repetibilidad mejoró a costa de una leve pérdida de cobertura y recomiendan reportar ambas métricas al elegir modelos para tareas sobre bases de datos de producción.

Periodista: Tuhin Kundu

GRPO asíncrono con LoRA en HF Jobs: un bucket, un proxy y sin NCCL

El equipo de Hugging Face describe cómo entrenar un adaptador LoRA con GRPO asíncrono distribuyendo el entrenador y las réplicas de vLLM en Jobs separados, sin NCCL, usando un Storage Bucket compartido y un proxy que enruta los rollouts por prefijo KV. Mediante cinco ejecuciones optimizan el pipeline (empaquetado de micro-lotes, desactivar checkpointing y elevar el límite de solicitudes en vuelo), reduciendo 500 pasos de 3 h 27 min a 53 min con recompensa equivalente. La sincronización solo del adaptador mantiene la proporción de política en 1,000 y valida el enfoque para RL.

Periodista: Amine Dirhoussi, Quentin Gallouédec, Kashif Rasul, Sergio Paniego

IBM presenta la familia Granite 4.2, sus primeros modelos de lenguaje densos con razonamiento explícito

IBM publicó Granite 4.2, su primera familia de modelos de lenguaje densos solo decodificadores centrados en razonamiento, en tamaños de 3B, 8B y 30B parámetros bajo licencia Apache 2.0. Los modelos se postentrenaron desde las bases Granite-4.1, preentrenadas con unos 15 billones de tokens y contexto extendido a 512K, con ajuste fino supervisado y una canalización de aprendizaje por refuerzo de múltiples etapas que incluye RL agéntico para las variantes de 8B y 30B. Todos incorporan modos de pensamiento, sin pensamiento y de bajo esfuerzo, además de llamada de herramientas nativa compatible con OpenAI.

Periodista: Granite Team, IBM

Cómo enviar un billón de parámetros con un bucket del Hub: sincronización de pesos por delta en TRL

Investigadores de Hugging Face publicaron en TRL una técnica de sincronización de pesos por delta para entrenamiento de RL asíncrono: en lugar de enviar el modelo completo al motor de inferencia en cada paso, codifican solo los elementos bf16 que cambiaron como un archivo safetensors disperso y lo suben a un Bucket del Hub que vLLM descarga. Como entre pasos consecutivos cerca del 99% de los pesos bf16 son idénticos bit a bit, la carga por paso cae de 1,2 GB a 20-35 MB en Qwen3-0.6B. Demostraron un entrenamiento totalmente desagregado con entrenador, vLLM y entorno Wordle en máquinas y Spaces distintos, sin clúster compartido, RDMA ni VPN.

Periodista: Amine Dirhoussi, Quentin Gallouédec, Kashif Rasul, Lewis Tunstall, Edward Beeching, Albert Villanova del Moral, Leandro von Werra, Sergio Paniego

Cómo habilitar el entrenamiento con RL agéntico para GPT-OSS: una retrospectiva práctica

Un equipo de LinkedIn publica una retrospectiva práctica sobre cómo habilitar el entrenamiento con aprendizaje por refuerzo agéntico para el modelo abierto GPT-OSS usando el framework verl. El artículo detalla tres problemas técnicos: el desajuste de log-probabilidad en la arquitectura MoE que rompe la integridad on-policy de PPO, el desajuste entre entrenamiento e inferencia por falta de soporte de attention sink en FlashAttention, y desbordes de memoria de FSDP por la materialización repetida de expertos. Los autores implementan la pasada backward de attention sink en FlashAttention v3 y optimizaciones de memoria, logrando convergencia estable y mejoras de recompensa en tareas como GSM8K, VerifyIf y ReTool.

Periodista: Jason Zhu, Hejian Sang, Arup De, Rohit Jain, Yanning Chen

Kimina-Prover: aplicación de búsqueda RL en tiempo de prueba a grandes modelos de razonamiento formal

El equipo Numina y Kimi presentó Kimina-Prover-72B, un modelo de demostración automática de teoremas en Lean 4 entrenado con el pipeline de RL Kimi k1.5 sobre Qwen2.5-72B, junto con variantes destiladas de 8B y 1.7B. Sus innovaciones clave son la búsqueda de aprendizaje por refuerzo en tiempo de prueba (TTRL), que permite descubrir y combinar lemas recursivamente, y una capacidad de corrección de errores que interpreta los mensajes de Lean. En el benchmark miniF2F alcanza una tasa de aprobación de 92,2%, superando a modelos previos como DeepSeek-Prover-V2 y AlphaProof.

Periodista: Haiming Wang, Mert Unsal, Xiaohan Lin, Mantas Baksys, Junqi Liu, Marco Dos Santos, Flood Sung, Ying Zhenzhe, Zhu Zekai, Lu Jianqiao, Hugues de Saxcé, Thibaut Barroyer, Ebony Zhang, Bolton Bailey, Frederick Pu, Jonas Bayer, Marina Vinyes, Zhengying Liu, Li Jia