aprendizaje por refuerzo
Todas las noticias con este tag · Estados Unidos.
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 2 nov 2026, 7:00 p. m. | 0 |
| 2 nov 2026, 8:00 p. m. | 0 |
| 2 nov 2026, 9:00 p. m. | 0 |
| 2 nov 2026, 10:00 p. m. | 0 |
| 2 nov 2026, 11:00 p. m. | 0 |
| 3 nov 2026, 12:00 a. m. | 0 |
| 3 nov 2026, 1:00 a. m. | 0 |
| 3 nov 2026, 2:00 a. m. | 15 |
| 3 nov 2026, 3:00 a. m. | 0 |
| 3 nov 2026, 4:00 a. m. | 0 |
| 3 nov 2026, 5:00 a. m. | 0 |
| 3 nov 2026, 6:00 a. m. | 0 |
| 3 nov 2026, 7:00 a. m. | 0 |
| 3 nov 2026, 8:00 a. m. | 0 |
| 3 nov 2026, 9:00 a. m. | 0 |
| 3 nov 2026, 10:00 a. m. | 0 |
| 3 nov 2026, 11:00 a. m. | 0 |
| 3 nov 2026, 12:00 p. m. | 0 |
| 3 nov 2026, 1:00 p. m. | 0 |
| 3 nov 2026, 2:00 p. m. | 0 |
| 3 nov 2026, 3:00 p. m. | 0 |
| 3 nov 2026, 4:00 p. m. | 0 |
| 3 nov 2026, 5:00 p. m. | 0 |
| 3 nov 2026, 6:00 p. m. | 0 |
| 3 nov 2026, 7:00 p. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-05 | 0 |
| 2026-10-06 | 0 |
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 15 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de aprendizaje por refuerzo
20 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIIteración de valor aproximada offline: Un enfoque de aprendizaje por refuerzo para el despliegue de constelaciones de satélites
Se presenta un enfoque basado en aprendizaje por refuerzo para optimizar el despliegue de constelaciones de satélites tipo Walker, considerando incertidumbres como fallos de lanzamiento y mal funcionamiento de satélites. El método utiliza iteración de valor aproximada offline para reducir los requisitos computacionales y de memoria al encontrar políticas de despliegue óptimas. Los resultados preliminares indican que los tiempos y costos de despliegue son inferiores a los de métodos basados en horizonte rodante.
Noticia originalOptimización de política proximal para muestreo discreto amortizado
Se presenta un artículo que explora algoritmos de gradiente de política para entrenar políticas estocásticas con el marco GFlowNet. El trabajo deriva equivalentes de algoritmos de gradiente de política estándar y aplica la optimización de política proximal a GFlowNets. Esto demuestra una velocidad de convergencia y eficiencia de datos mejoradas en comparación con los objetivos de entrenamiento estándar.
Noticia originalAprendizaje por Refuerzo en el Plano de Decisión para Agentes de Lenguaje y LLMs
Se presenta RLiD (Reinforcement Learning in the Decision plane), un marco diseñado para optimizar directamente las probabilidades de opciones de acción ejecutables en modelos de lenguaje grandes (LLMs). Este enfoque busca mejorar la eficiencia del aprendizaje por refuerzo al eliminar la generación de tokens autoregresiva y mejorar la eficiencia del despliegue. Los experimentos demuestran mejoras en el rendimiento y la eficiencia computacional en varios entornos de juegos como ARC, Countdown y Sokoban.
Noticia originalMOPDA: Destilación On-Policy para Detección de Anomalías Industrial Guiada por Lenguaje
Se presenta MOPDA, un marco que utiliza destilación propia on-policy para la detección de anomalías industriales (IAD) basada en modelos visión-lenguaje (LVLM). El método combina trayectorias del estudiante y del profesor para mejorar la detección y localización de anomalías. MOPDA supera a las líneas base existentes en métricas clave, manteniendo competitividad con métodos basados en CLIP.
Noticia original¿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.
Noticia originalNeMo-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.
Noticia originalReplay Counterfactual: Entornos Forkables como Recompensas de Proceso Gratuitas para Agentes de Ingeniería de Software
Se presenta el Counterfactual Rollout Replay (CRR), un procedimiento de entrenamiento que utiliza entornos ejecutables forkables para obtener contrastes de retorno a nivel de paso en agentes de ingeniería de software. Este método mejora el rendimiento en benchmarks como SWE-bench Verified, logrando una mejora del 5.0 puntos porcentuales en comparación con métodos anteriores. El CRR no requiere etiquetas de proceso humanas ni modelos de recompensa aprendidos, enfocándose en la eficiencia del cómputo.
Noticia originalOmniOPD: Destilación On-Policy para Generación Conjunta de Audio-Video
Se presenta OmniOPD, un marco de destilación on-policy diseñado para mejorar la generación conjunta de audio y video mediante el aprendizaje por refuerzo. Este método busca resolver la interferencia entre modalidades al transferir capacidades de modelos especializados. Se proponen técnicas como la construcción de información visual privilegiada y el muestreo de ruido agrupado para lograr una generación estable y equilibrada. Los resultados demuestran que OmniOPD mejora la generación de video manteniendo la calidad del audio.
Noticia originalAprendizaje por Refuerzo Guiado por Optimización Evolutiva de Políticas para Programación de Satélites de Observación Terrestre Heterogéneos Ajustables por Preferencia
Se propone un marco de optimización de política evolutiva para la programación de satélites de observación terrestre ágiles (AEOS) heterogéneos, abordando las dificultades de modelar restricciones dependientes del satélite. El método utiliza aprendizaje por refuerzo para seleccionar operadores de búsqueda, logrando una utilidad ponderada mayor y una convergencia más estable que los métodos metaheurísticos. Este enfoque busca optimizar la asignación de tareas y la secuenciación de observaciones bajo múltiples restricciones operativas.
Noticia originalMemoria de lado del agente como guía para modelos de acción direccionables en manipulación a largo plazo
Se presenta el modelo 2AM, donde la memoria de la tarea reside en el agente, y un Modelo de Acción basado en RGB ejecuta el movimiento. Los resultados demuestran que la memoria de la tarea puede permanecer en el lado del agente y que la capacidad del Modelo de Acción depende de la precisión con la que el agente puede dirigirlo. Se logró una mejora significativa en la finalización de tareas en comparación con las líneas base existentes.
Noticia originalRobótica inspirada en el sistema nervioso: lo que el aprendizaje robótico puede tomar del cerebro sensorimotor
Un estudio propone diseñar modelos de robots de próxima generación basándose en el sistema nervioso para superar las fallas actuales en la manipulación cotidiana. Se proponen componentes como conformidad, un sistema de visión rápida para el comportamiento motor, un predictor del cerebelo y un modelo del córtex motor para lograr una acción autónoma y auto-mejora recursiva.
Noticia originalSGR-OPSD: Aprendiendo de planes de subobjetivo con Asignación de Crédito Regularizada por Grafo para Aprendizaje por Refuerzo Agéntico
Se presenta el marco SGR-OPSD para el aprendizaje por refuerzo agéntico, combinando supervisión de subobjetivos con evidencia de interacción para la asignación de crédito a nivel de turno. Este método utiliza planes de subobjetivo generados por LLM y un grafo de progreso para calibrar los pesos de crédito, logrando mejoras significativas sobre métodos previos como GRPO.
Noticia originalModelos 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.
Noticia originalLos modelos del mundo no necesitan ser correctos para clasificar políticas
Se investiga si los errores de los modelos del mundo aprendidos pueden preservar las clasificaciones par a par, incluso con valores absolutos deficientes. Se propone el método RAVEL para realizar auditorías selectivas de errores de valor en estos modelos. Los resultados muestran que la fidelidad de la clasificación y la explotación del modelo son propiedades distintas.
Noticia originalOptimización de la Suma de Ventaja Blanqueada: Agregación Sensible a la Correlación para Aprendizaje por Refuerzo Multi-Recompensa
Se presenta WAS-PO, un método de aprendizaje por refuerzo que blanquea las ventajas normalizadas con $\Sigma^{-1/2}$ para aplicar pesos elegidos a los componentes decorrelacionados. Este método superó a GDPO en la recompensa de entrenamiento en pruebas con tres y cuatro recompensas. Además, WAS-PO sustituye la normalización por prompt de GDPO por normalización a nivel de lote.
Noticia original
Hugging Face BlogIBM 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.
Noticia originalLiger GRPO se integra con TRL para reducir un 40% la memoria en el entrenamiento de modelos de lenguaje
El equipo de Hugging Face TRL integró Liger Kernel con el entrenador GRPO, logrando una reducción del 40% en el uso máximo de memoria de GPU durante el ajuste fino de modelos de lenguaje con aprendizaje por refuerzo, sin pérdida de calidad. La optimización fragmenta el cálculo de logits y acumula gradientes por fragmento, y se suma soporte para FSDP, PEFT y vLLM para escalar el entrenamiento en múltiples GPU y nodos. Los benchmarks con Qwen3-0.6B muestran que el tamaño de lote puede aumentar entre 1,5 y 1,8 veces.
Noticia originalMini-R1: reproducen el "momento ajá" de DeepSeek R1 con un tutorial de aprendizaje por refuerzo
Philipp Schmid publicó un tutorial que reproduce el "momento ajá" de DeepSeek-R1 entrenando un modelo Qwen2.5-3B-Instruct con Group Relative Policy Optimization (GRPO) para resolver el Juego de la Cuenta Regresiva. El entrenamiento distribuido usó DeepSpeed y vLLM sobre 4 GPU NVIDIA H100, con 450 pasos en unas 6 horas. La tasa de éxito pasó de ~25% a los 100 pasos a 50% a los 450 pasos, y el modelo migró de un razonamiento "con palabras" a uno de tipo programático.
Noticia originalLos detalles de implementación de RLHF con PPO: reproducción del código original de OpenAI y diferencias del optimizador Adam entre PyTorch y TensorFlow
Investigadores de Hugging Face publicaron una reproducción del código original de RLHF de OpenAI (lm-human-preferences) que logra igualar las curvas de aprendizaje en tareas estilísticas como sentimiento y descriptividad. El artículo detalla los detalles de implementación del modelo de recompensa y del entrenamiento de la política con PPO, incluyendo normalización de recompensas, muestreo por rechazo, penalización KL adaptativa y blanqueamiento de ventajas. Se identifica una diferencia clave en el optimizador Adam entre PyTorch y TensorFlow que provoca actualizaciones de gradiente más agresivas en las primeras etapas del entrenamiento, afectando especialmente a modelos grandes como gpt2-xl.
Noticia originalCómo funciona el aprendizaje por refuerzo con retroalimentación humana (RLHF) en los modelos de lenguaje
El artículo explica el Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF), técnica que permite alinear modelos de lenguaje con valores humanos mediante tres etapas: preentrenamiento del modelo, entrenamiento de un modelo de recompensa con preferencias humanas y ajuste fino con aprendizaje por refuerzo (PPO). Detalla cómo OpenAI, Anthropic y DeepMind aplicaron el método en modelos como InstructGPT, Gopher y ChatGPT, y describe herramientas de código abierto como TRL, TRLX y RL4LMs. Señala limitaciones como el alto costo de la anotación humana, el desacuerdo entre anotadores y el riesgo de que los modelos generen texto dañino o inexacto.
Noticia original