#reinforcement-learning — tin AI mới nhất

Urbex dùng tác tử AI để tìm vật thể trong cảnh 3D quy mô thành phố — Urbex là một hệ thống thị giác-ngôn ngữ giúp tác tử AI xác định các vật thể hoặc địa danh cụ thể trong những cảnh 3D có quy mô như một thành phố. Thay vì xếp hạng một danh sách cố định gồm các vùng…
Agent-Reflex: Huấn luyện agent ngôn ngữ tự phản ánh và phục hồi khi thất bại — Agent-Reflex là một khung huấn luyện được thiết kế để giúp các agent dựa trên mô hình ngôn ngữ tự nhìn lại sai lầm, phục hồi sau thất bại và phản hồi trước các chỉnh sửa của người dùng trong những…
Qwen ra mắt QwenGyre - framework RL để huấn luyện AI agent cho các tác vụ phức tạp cực dài — Qwen giới thiệu QwenGyre, một framework học tăng cường đàn hồi dành cho huấn luyện agent trên các tác vụ có chân trời cực dài (XLong). Framework gồm Elastic Scheduler, tự động phân bổ lại GPU giữa…
TPPO cải thiện PPO trong huấn luyện mô hình ngôn ngữ suy luận — Các nhà nghiên cứu giới thiệu Tracking-Value PPO (TPPO), một phương pháp học tăng cường nhằm cải thiện khả năng suy luận của mô hình ngôn ngữ khi phần thưởng chỉ được đưa ra ở cuối lời giải. Phương…
X-Ragent dùng học tăng cường và công cụ hỗ trợ để suy luận X-quang ngực dựa trên bằng chứng — Các nhà nghiên cứu đề xuất X-Ragent, một khung hậu huấn luyện giúp tác tử AI phân tích ảnh X-quang ngực bằng các công cụ bên ngoài và bằng chứng hỗ trợ, thay vì chỉ dựa vào nhận dạng trực tiếp từ…
Learn2Play Bench: Các tác nhân LLM học từ kinh nghiệm trong môi trường xa lạ tốt đến đâu? — Learn2Play Bench là một bộ benchmark mới gồm các trò chơi dạng văn bản với luật chơi mới lạ hoặc phản trực giác, nhằm đánh giá liệu các tác nhân LLM có thể học từ tương tác thay vì chỉ dựa vào kiến…
MiMo-V2.6: Mở rộng quy mô học tăng cường hướng tới tự cải thiện — Báo cáo MiMo-V2.6 giới thiệu một họ mô hình omni-modal được huấn luyện bằng cách mở rộng tài nguyên tính toán cho học tăng cường (RL), sau giai đoạn mid-training trên kho dữ liệu đa phương thức rộng…
DiffusionART: Tăng cường mô hình khuếch tán một cách hiệu quả, ổn định và có khả năng mở rộng — DiffusionART là một phương pháp học tăng cường trực tuyến được đề xuất để tinh chỉnh các mô hình khuếch tán với phần thưởng hộp đen. Các tác giả cho rằng các hàm mục tiêu kiểu NFT chứa một lực nhất…
Reflex: Điều khiển phản ứng cho robot hình người dựa trên thị giác — Reflex là một khung ba giai đoạn cho điều khiển toàn thân phản ứng của robot hình người dựa trên thị giác, được nghiên cứu thông qua nhiệm vụ bắt hộp bị ném bằng thị giác egocentric. Đầu tiên, một…
AAArena đánh giá khả năng agent AI tự cải thiện chiến lược qua các giải đấu game kéo dài — Các nhà nghiên cứu đề xuất Học Heuristic Đối kháng (AHL), một phương pháp trong đó agent AI cải thiện các chính sách chơi game có thể thực thi và phần mềm hỗ trợ dựa trên kinh nghiệm, trong khi vẫn…
Agent Lightning v1.0: Framework RL cho agent gọn nhẹ chỉ 3.500 dòng, huấn luyện agent với harness thực tế — Microsoft Research đã phát hành Agent Lightning v1.0, một framework học tăng cường (RL) gọn nhẹ với khoảng 3.500 dòng mã. Framework này kết nối các agent hiện có với quá trình huấn luyện RL, giúp…
HiPHI: Bộ benchmark quy mô lớn cho chuyển động người độ chính xác cao và tương tác với vật thể — HiPHI là bộ dữ liệu motion capture quy mô lớn, độ chính xác cao về chuyển động của con người và tương tác người-vật thể, nhằm thu hẹp khoảng trống dữ liệu đang hạn chế việc học của robot hình người.…
Self-Retrospection Distillation: Biến kinh nghiệm hậu nghiệm thành tầm nhìn trước — Bài báo đề xuất học tiền cứu (prospective learning), trong đó kinh nghiệm sau tương tác từ các quỹ đạo đã hoàn thành được dùng để giám sát các dự đoán nhìn trước từ góc nhìn trước khi tương tác.…
Cloudflare ra mắt Clef và Clef-flash, mô hình quyết định mã nguồn mở cùng nền tảng fine-tuning RL — Cloudflare đã phát hành Clef và Clef-flash, hai mô hình quyết định mã nguồn mở phục vụ phân loại có cấu trúc nhanh trong các quy trình tự động, được lưu trữ trên Workers AI và có trên Hugging Face…
GroundingPI: mô hình nền tảng 4B định vị đối tượng bằng điểm và hộp cho trí tuệ vật lý, vượt GPT-6 Astra trên 34 benchmark — GroundingPI là mô hình "grounding" 4 tỷ tham số, tức là xác định đối tượng nào trong ảnh là mục tiêu và nó nằm ở đâu, bằng cách xuất ra điểm và hộp bao (bounding box) dưới dạng tọa độ lượng tử hóa…
GSPO: Hướng tới học tăng cường có khả năng mở rộng cho các mô hình ngôn ngữ — Bài viết về GSPO (Group Sequence Policy Optimization) cho biết các thuật toán học tăng cường hiện có như GRPO bộc lộ sự bất ổn nghiêm trọng khi huấn luyện dài, dẫn đến sụp đổ mô hình không thể phục…