هوش مصنوعی
Terminal-RSI دو مرحلهٔ بازنویسی و پالایش را برای بهبود عامل‌های ترمینالی ترکیب می‌کند
پژوهشگران روشی پیشنهاد کرده‌اند که با بازنویسی مسیرهای تأییدشده و پالایش سیاست عامل، از بازخورد ارزیاب برای بهبود عملکرد استفاده می‌کند.
مقاله‌ای پیش‌چاپ در arXiv با معرفی Terminal-RSI، روشی برای بهبود عامل‌های ترمینالی ارائه می‌کند. این روش دو فرایند را به‌تناوب اجرا می‌کند: «بازنویسی بازگشتی خود» (RSR) روی مسیرهایی که تأیید شده‌اند و «پالایش بازگشتی سیاست» (RPR) با انتقال منتقد از مرحله‌ای به مرحلهٔ بعد. هدف، تبدیل نتیجه‌های ارزیابی به به‌روزرسانی‌های مفید سیاست و پیشرفت‌های ناقص به حل کامل وظیفه است.
پژوهشگران همچنین روش TB-GAE را برای حفظ مبناهای مختص هر توکن و اعمال کاهش وزن در گذر میان نوبت‌های تعامل، و دو سازوکار پاداش معرفی کرده‌اند: FDR برای سنجش پیشرفت معنایی در خانواده‌های مختلف وظایف و SPR برای جداکردن موفقیت کامل از اعتبار جزئیِ محدود. یک مدل منتقدِ مرحلهٔ گرم‌کردن، انتقال بازگشتی منتقد و نرخ‌های یادگیری متناسب با هر مرحله نیز دو فاز پالایش را هماهنگ می‌کنند.
چکیده به یک توالی پنج‌مرحله‌ای از Qwen3 اشاره می‌کند، اما متن در دادهٔ در دسترس پیش از توضیح ادامهٔ این توالی قطع شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده