Søgning
4 briefing-resultat(er) for »reinforcement-learning«
QwenGyre: Elastisk RL til ekstremt lange agentopgaver
Alibabas QwenGyre opnår 1,85× speedup og løfter NL2RepoBench fra 52,5% til 58,5% på 48 steps. Træningstiden reduceres med 44%.
SpaceXAI udgiver Grok 4.7 – større basismodel til samme pris
Grok 4.7 bygger på en større model og længere reinforcement learning, men koster stadig $2/$6 per million tokens. Modellen er målrettet kodning …
RLVR og GRPO anvendes til molekylær design med LLM'er
Ny forskning anvender Reinforcement Learning with Verifiable Rewards (RLVR) og GRPO til at generere molekyler med specifikke egenskaber. Metoden lover mere præcis lægemiddeldesign.
SEED: Ny metode til agent-baseret reinforcement learning
Forskere introducerer SEED, der konverterer afsluttede trajektorier til "hindsight skills" og distillerer adfærd tilbage til policy-modellen. Metoden adresserer supervisionsgabet mellem episode-level belønninger …