随笔分类 - 🍵 论文阅读
摘要：提供了 MATH、GSM8K、AIME24 等常用数学数据集的 基本信息和链接。
阅读全文
摘要：REINFORCE++ 把 GRPO“prompt 小组内归一化优势”升级为“全局 batch 上标准化优势”，并搭配稳定的 KL 估计方式，比 PPO 轻量级，比 GRPO 稳定和泛化性强。
阅读全文
摘要：面对多任务 / 多目标学习中，可能相互冲突的梯度信号，现有方法通过加权、投影、统一符号等方法，调合这些梯度信号。
阅读全文
摘要：ARC-AGI benchmark 提供了基于视觉网格的谜题，它们是“对于人类简单、对于大模型困难”的问题。
阅读全文
摘要：最近读了一些在多轮（multi-turn）任务上用 RL 微调 LLM 的文章，记录阅读笔记。
阅读全文
摘要：存档，博士生资格考试的 20 篇文献。
阅读全文
摘要：EQL 将单目标的 bellman 算子拓展到多目标 RL 上，并复刻了 value iteration 的收敛性保证。
阅读全文
摘要：贾庆山老师团队的事件驱动优化 + 数据中心工作。
阅读全文
摘要：① 用对比学习把参考轨迹的 embedding 尽可能拉远，② 使用 DIAYN reward 同时做模仿学习和 skill discovery。
阅读全文
摘要：为 state space 训练一个紧凑的 embedding space，使得 embedding 间的距离与 temporal distance 相匹配，然后让 policy 尽可能覆盖 embedding space。
阅读全文
摘要：用语义距离 d_lang(x,y) = cos_sim[ l(s_1), l(s_2)] ，来作为 metra 的 1-Lipschitz 约束。
阅读全文
摘要：使用 LLM / CLIP 模型，输出 state / pixel observation 与人类意图的匹配程度，作为 dodont 的加权权重。
阅读全文
摘要：dodont 将好坏行为的分类器 p hat 融入了 metra 框架里，因此看起来很有直觉。
阅读全文
摘要：偶然看到了 AIR-DREAM Lab 的主页，读一下。
阅读全文
摘要：鼓励 agent 探索与当前 episode 历史在到达时间（temporal distance）上较远的状态。
阅读全文
摘要：这篇工作或许为需要隐藏身份和欺骗的游戏，提供了一个有效的 prompt 模板。
阅读全文
摘要：这篇工作或许可以作为一个 即时战略游戏 的 prompt 参考模板。
阅读全文
摘要：感觉性能好的关键原因：1. prompt 写得好，可以高效沟通；2. agent 记忆的信息形式很简洁。
阅读全文
摘要：这篇文章使用 LLM 生成了各种 MineCraft 的 skill，但没有利用 LLM 的通识能力，感觉不算 LLM agent 的工作。
阅读全文
浙公网安备 33010602011771号