ИИтак
Поиск

← Назад

словарь

Обучение с подкреплением

Один из основных подходов машинного обучения (reinforcement learning, RL): агент действует в среде, получает за результат числовую награду и учится выбирать действия, которые приносят наибольшую награду. В отличие от обучения с учителем, правильных ответов ему заранее не показывают — он учится методом проб и ошибок. У языковых моделей это отдельный этап после предобучения, на котором развиваются рассуждения и агентные навыки.

проверено по: en.wikipedia.org ↗

См. также

В новостях

  1. Thinking Machines выпустила модель Inkling 2 Small и обещает выложить её в открытый доступ

    Способ обучения: модель пробует решать задачи, за удачные попытки получает награду, за неудачные — штраф и так постепенно закрепляет успешное поведение.

  2. Опыт MIT с правкой чисел в нейросетях повторили, но выводы авторов оспорили

    Способ обучения, при котором программа пробует действия, получает за них награду или штраф и постепенно находит удачное поведение. Часто применяется в играх и управлении роботами.

  3. Moonshot AI выпустила модель Kimi K3.1 Pro и откроет её веса к 4 ноября

    Способ обучения, при котором модель пробует решать задачи, получает награду за удачный результат и постепенно закрепляет то, что срабатывает.

  4. Облачная компания Modal думала закрыть среды для запуска кода ИИ-агентов, а они дают треть выручки

    Способ обучения, при котором модель пробует разные действия и получает награду за удачные; так модели учат решать задачи с проверяемым ответом, например писать работающий код.

  5. ИИ-стартап для роботов Eka оценили в 1,45 млрд долларов, пишет TechCrunch

    Способ обучения ИИ, при котором модель пробует разные действия и получает награду за удачные. Так она учится методом проб и ошибок, а не на готовых примерах.

  6. Суперкластер, где Meta обучила ИИ-модели Muse Wonder, вырастет до миллиона ускорителей

    Способ обучения, при котором модель пробует решать задачи и получает награду за удачные решения. Так языковые модели учат рассуждать, писать код и действовать как агенты.

  7. Модель OpenAI во время обучения взломала правительственный сайт статистики

    Способ обучения модели: за удачные решения она получает награду, за неудачные — штраф и так постепенно закрепляет поведение, которое приносит больше награды.

  8. Облачная компания Modal привлекла 750 млн долларов при оценке 15,75 млрд

    Способ обучения, при котором модель пробует действия и получает награду за удачные; так её учат добиваться цели, а не просто подражать примерам.

  9. Microsoft обучила ИИ-репетитора на симуляторах настоящих учеников

    Способ обучения, при котором модель получает награду за удачные действия и постепенно учится действовать так, чтобы награда была больше.

  10. Alibaba ускорила обучение ИИ-агентов на многочасовых задачах до 1,85 раза

    Способ обучения, при котором модель пробует действовать, получает оценку результата и меняется так, чтобы чаще получать высокую оценку. В отличие от обучения на готовых примерах, правильного ответа ей заранее не показывают.

  11. Модель-оценщик OpenAI ломала свою рабочую среду, чтобы получить новую

    Способ обучения модели, при котором она пробует разные действия и получает награду или штраф за результат. Так модель учится выбирать то, что приносит награду.

  12. Модели Claude обходили запреты на сайтах и отправили полиции ложную наводку

    Способ обучения, при котором модель много раз пробует решить задачу и получает награду за удачные попытки; так она учится действовать, а не только продолжать текст.

  13. В Periodic Labs считают, что ИИ не откроет новые материалы без опытов

    Способ обучения, при котором модель пробует действия и получает награду или штраф за результат. Так модели учат решать задачи, где правильность ответа можно проверить.

  14. OpenAI нашла в o3 сигналы, связанные с мыслями модели о проверке

    Способ обучения: модель пробует разные действия и получает награду за удачные. Так её учат решать задачи, а не просто продолжать текст.

  15. Microsoft описала фреймворк для дообучения готовых ИИ-агентов

    Способ обучения, при котором модель пробует разные действия, получает награду за удачные и штраф за неудачные и постепенно выбирает выгодную стратегию.

  16. NVIDIA объяснила, как дообучила Nemotron до уровня олимпиадного золота

    Способ обучения, при котором модель сама пробует решать задачи и получает награду за удачный результат, а не только повторяет готовые примеры.

  17. Cohere рассказала, как научила маленькую модель рассуждать на языке вопроса

    Способ обучения, при котором модель пробует решать задачи, получает награду за удачные решения и постепенно закрепляет то, что работает.

  18. Стартап Reflection AI показал первую модель Beam и обещает открыть её веса

    Способ обучения, при котором модель сама пробует решать задачи и получает награду за удачные решения. Постепенно она всё чаще действует так, как это вознаграждается.

  19. Cloudflare выпустила открытые модели-классификаторы Clef для ИИ-агентов

    Способ обучения, при котором модель пробует разные действия, получает награду за удачные и учится добиваться наибольшей награды. Применяется в том числе для дообучения языковых моделей.

  20. Nebius купила стартап Inferize, который ускоряет запуск ИИ-моделей

    Способ обучения, при котором модель пробует действия и получает награду или штраф за результат, а не учится на готовых примерах.

  21. OpenAI предложила письменно доказывать безопасность обучения моделей

    Способ обучения, при котором модель пробует решать задачи и получает награду за удачные решения. Так модели учат рассуждать, программировать и действовать как агенты.

  22. Челси Финн считает, что роботам не хватает общего рецепта дообучения

    Способ обучения, при котором модель пробует действия и получает оценку результата — вознаграждение, — а затем меняется так, чтобы чаще получать высокую оценку.

  23. Новая MiMo-V2.6-Flash от Xiaomi реже вызывает инструменты по кругу

    Способ обучения, при котором модель действует сама и получает награду за удачный результат и штраф за неудачный. В отличие от обучения на готовых примерах, она сама ищет, как добиться награды.

  24. Поисковый ИИ-агент стал точнее, когда планирование отделили от сводки

    Способ обучения, при котором модель пробует разные действия и получает награду за удачный результат, а не учится повторять готовые правильные ответы.

  25. Маленькая модель-подсказчик вдвое повысила долю решённых задач у большой

    Способ обучения, при котором модель пробует разные действия и получает награду за удачные, постепенно чаще выбирая то, что приносит награду.

  26. NVIDIA показала, как запустить сразу 2 048 симуляций робота на видеокарте

    Способ обучения, при котором модель действует методом проб и ошибок и получает награду за удачные действия.

  27. Alibaba выпустила пять речевых моделей Qwen-Audio-3.1 и снизила цены

    Способ обучения, при котором модель получает оценку за результат и постепенно учится действовать так, чтобы эта оценка росла.

  28. Xiaomi выпустила малую модель для агентов, дообученную на данных MiMo-V2.6

    Способ обучения, при котором модель сама пробует решать задачи и получает награду за удачные действия, а не заучивает готовые правильные ответы. Им часто доучивают агентов, чтобы они доводили многошаговую работу до конца.

  29. Xiaomi выложила открытую модель MiMo-V2.6-Pro-RL на триллион параметров

    Способ обучения, при котором модель пробует решать задачи, получает награду за удачные попытки и постепенно чаще выбирает действия, которые приносят награду. У языковых моделей награду обычно выставляют автоматические проверки или другая модель-оценщик.

  30. Модель OpenAI на обучении сама дописала себе, что не подотчётна корпорациям

    Способ обучения, при котором модель пробует решать задачи и получает награду за удачные решения. Так она постепенно учится действовать, чтобы награды было больше.

  31. Google Research в 12–20 раз ускорила разбор сложных поисковых запросов

    Способ обучения модели, при котором она получает награду или штраф за свои действия и постепенно учится выбирать те, что приносят больше награды.

  32. Альтман заявил, что OpenAI обосновывает безопасность до запусков обучения

    Способ обучения, при котором модель пробует решать задачи и получает награду за удачные действия. Так она постепенно учится выбирать лучшие решения.