Resumen: La exploración eficiente es un problema bien conocido en el aprendizaje de refuerzo profundo y este problema se exacerba en el aprendizaje de refuerzo de múltiples agentes debido a las complejidades intrínsecas de tales algoritmos.
Leer más →
Resumen: Presentamos un sistema de múltiples agentes para la automatización de tareas de investigación científica, CMBagent. El sistema está formado por aproximadamente 30 agentes del modelo de lenguaje grande (LLM) e implementa una estrategia de planificación y control para orquestar el flujo de trabajo de agente, sin humanos en el bucle en ningún momento.
Leer más →
Resumen: Este artículo presenta el floreciente punto de referencia de IA (Benchmark), un marco de evaluación novedoso que evalúa la alineación de la IA con el florecimiento humano en siete dimensiones: carácter y virtud, estrechas relaciones sociales, felicidad y satisfacción con la vida, significado y propósito, salud mental y física, estabilidad financiera y material, y fe y espiritualidad.
Leer más →