「reinforcement」の検索結果
34 件LLMの推論 Transparency を高めるために、DiffusionGemmaの計算を分離しVariable Transparency とAlgorithmic Transparencyを評価します。
Pythonでマシンラーニングアプリを作成・共有することができるライブラリです。
ゲーム『明日方舟』の支援ツール。全日常のタスクを一括で実行可能。
このリポジトリでは、LLMベースのエージェントアプリケーションのための強化学習の橋渡しを提供しています。
ARTは、多段強化学習トレーナーです。このトレーナーは、GRPOを使用して、現実世界のタスクに対して、多段強化学習を行うことができます。
P
We present Miles v0.1, a full-stack, production-ready system for frontier post-training. Building upon the cle
This paper introduces rlaopt, a PyTorch-based package for large-scale optimization and scientific computing us
Execution feedback can guide coding agents toward correct repository repairs, but only when the tests capture
Large language models (LLMs) have recently emerged as a promising tool for automating robot design from high-l
このリポジトリでは、Lecture Learning Modelsに対してReinforcement Learningを実行するライブラリを提供しています。
Mathematical Foundations of Reinforcement Learningは、ディープラーニングにおける推論力学習の数学的基礎を網羅している。
An open source quadruped robot pet framework for developing Boston Dynamics-style four-legged robots that are
Large language models (LLMs) are often post-trained on pre-collected reasoning trajectories to improve their r
Text spotting requires both accurate text recognition and precise spatial localization. Current specialised sp
Speculative decoding accelerates rollout generation, which dominates the cost of reinforcement learning (RL) p
Gymnasiumは、シングルエージェントRLの疑似環境を提供するAPIです。
Visual generation is evolving from generative models used through a single invocation into agentic control pro
このリポジトリでは、AIエンジニアリングのためのリソースを提供しています。
Most end-to-end autonomous-driving systems learn by imitating human driving logs, leaving their learned behavi
Reinforcement learning from human feedback (RLHF) has emerged as a powerful yet sample-inefficient approach fo
Despite the remarkable prowess of Vision-Language Models (VLMs) in general multimodal tasks, they remain funda
Large language models (LLMs) are increasingly used to edit existing code, but correctness alone is not enough:
Benchmarks for the side effects an agent causes on the way to a goal already exist, but HarvestBench is the fi
Reinforcement Learning from Verifiable Rewards works well when a task has a programmatic checker, but most lon
Personalized assistants should not only comply with user requests but also assess whether those requests are a
クエンティング投資プラットフォームを実現するためにAI技術を活用します。
Unityを使用してマシンラーニングエージェントを訓練して訓練できるツールです。
Group relative policy optimization for reinforcement learning with verifiable rewards (RLVR) typically uses a
ゲームの一般的な強化学習用エンドポインティであるEnvironmentおよびアルゴリズムの集合。
Reinforcement learning with verifiable rewards (RLVR) substantially improves single-sample accuracy (pass@1) b
On-policy distillation trains a language model on its own generations while a teacher scores them token by tok
Vowpal Wabbitは、機械学習を進歩させるためのオンライン学習、ハッシュ、reduceなどの強力なアルゴリズムを含むシステムです。その結果、さまざまな問題に応じて、高品質な解決策を提供できます。
Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learni