Buscar noticias

arXiv Computer Science AI🇺🇸 Estados Unidos4 nov 2026, 2:00 a. m.

Ventaja de progreso sin costo para agentes de LLM después del entrenamiento

Se demuestra que el aprendizaje por refuerzo (RL) post-entrenamiento proporciona una ventaja implícita, denominada ventaja de progreso, que permite la evaluación a nivel de paso de LLMs sin necesidad de entrenar modelos de recompensa dedicados. Esta formulación es agnóstica al dominio y supera a los modelos de recompensa entrenados, ofreciendo una solución práctica para sistemas de agentes. Los resultados validan esta ventaja en diversas aplicaciones, incluyendo escalado en tiempo de prueba y cuantificación de incertidumbre.

Periodista: Changdae Oh, Wendi Li, Seongheon Park, Samuel Yeh, Tanwi Mallick, Sharon Li