Des chercheurs proposent DARA, une agrégation qui donne plus de poids aux récompenses rarement actives en RL
1 sourcemis à jour il y a 5 jpertinence 3,2 sur5
L’essentiel
Face à GDPO, DARA atteint une conformité de format élevée avec 26 % d’étapes d’entraînement en moins au plus en appel d’outils, et une conformité de longueur quasi saturée avec 65 % d’étapes en moins au plus en raisonnement mathématique.
Propagation1 article, publié par HF Daily Papers le 2 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceTong Zheng, Skylar Zhai, Zhan Cheng et al.huggingface.co
Make Sparse Rewards Count: Density-Aware Reward Aggregation for Multi-Reward RL (site externe)
Multi-reward reinforcement learning trains large language models to satisfy multiple behavioral objectives simultaneously.
Sur les mêmes thèmes
Recherche
Xiaomi publie MiMo-V2.6-Pro, un modèle open-weights omnimodal de 1 000 milliards de paramètres
Recherche
Xiaomi MiMo publie MiMo-V2.6-Distill-Qwen-9B, un modèle agentique de 9 milliards de paramètres
Recherche
Reflection dévoile Beam, un modèle d’IA de 501 milliards de paramètres
Recherche
OpenAI publie 722 manuscrits de mathématiques issus d’un modèle interne non diffusé
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5