Choisir des traces de SFT aux raisonnements variés améliore la généralisation après le RL
1 sourcemis à jour 29 sept.pertinence 3,4 sur5
L’essentiel
Un sélecteur léger à base de règles, qui fonctionne sur CPU sans appel de modèle, fait gagner 16,9 points de pass@8 à OLMo3-7B sur des environnements exclus du SFT, dans des expériences synthétiques.
Propagation1 article, publié par HF Daily Papers le 29 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceDylan Zhang, Mingyuan Wu, Jinning Lihuggingface.co
Selecting Diverse SFT Traces Improves Post-RL Generalization (site externe)
Verified solutions are not equally useful for preparing reasoning models for reinforcement learning (RL).
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