Dans l'actualité
A Good Self-Teacher Meets the Student Where They Are: Joint On-Policy Learning and Teaching
arXiv cs.AI · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- JOLT propose qu'une même politique serve de professeur et d'élève simultanément, utilisant la régularisation KL pour aligner l'enseignement aux capacités actuelles de l'élève.
- Pourquoi ça compte
- Pertinent pour les ingénieurs entraînant des systèmes RL sur des tâches à récompenses éparses comme le raisonnement, le coding ou l'utilisation d'outils.
- Vigilance
- Preprint récent sans indication de publication de code ou validation indépendante. L'applicabilité pratique aux systèmes en production reste à démontrer.
- distill
- token
- reinforcement learning
- long-horizon
Les patterns derrière cette actualité
- Reinforcement Learning from Human Feedback
- RL from Verifiable Rewards (RLVR)
- Reinforcement Learning from AI Feedback
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.