Observatorio de información y Publicaciones

Resumen:Si bien la decodificación de planificación y relleno en modelos de difusión enmascarada (MDM) es prometedora para el razonamiento matemático y de código, el rendimiento sigue siendo muy sensible al orden de relleno de las ranuras, lo que a menudo produce una variación sustancial de la salida.

Resumen: El aprendizaje por refuerzo con recompensas verificables (RLVR) juega un papel clave en la estimulación de la capacidad de razonamiento explícito de los modelos de lenguaje grande (LLM). Podemos lograr un rendimiento de nivel experto en algunos dominios específicos a través de RLVR, como codificación o matemáticas.

Resumen:Presentamos un proceso escalable para generar automáticamente datos de capacitación de alta calidad para agentes web. En particular, un desafío importante a la hora de identificar instancias de capacitación de alta calidad es la evaluación de la trayectoria: cuantificar cuánto progreso se logró hacia la finalización de la tarea.