OPSFT contraint le SFT à la direction de mise à jour de l’entraînement on-policy pour mieux généraliser
1 sourcemis à jour il y a 3 jpertinence 3,0 sur5
L’essentiel
OPSFT extrait des directions de mise à jour de quelques pas on-policy et y limite les mises à jour du SFT. Il transfère ainsi au SFT les bénéfices de généralisation de l’entraînement on-policy.
Propagation1 article, publié par HF Daily Papers le 5 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceShufan Shen, Zhongni Hou, Junshu Sun et al.huggingface.co
On-Policy Parameter Update Direction Underlies Generalization in LLM Post-Training (site externe)
Why does on-policy training generalize better than SFT? We show that the direction of parameter updates plays a crucial role.
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
NVIDIA affine Nemotron 3 et atteint le niveau or à l’IOI 2026 et à l’IMO 2026
Recherche
Reflection dévoile Beam, un modèle d’IA de 501 milliards de paramètres
À lire ensuite
Modèles
Anthropic lance Claude Haiku 5.5, son nouveau modèle rapide et peu cher, au même prix que GPT-6 Luna
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