Le filThèmes : RechercheÉvaluations
TGRL transforme la diversité liée à la température en signal d’entraînement pour le RLVR
1 sourcemis à jour 30 sept.pertinence 3,3 sur5
L’essentiel
Selon les auteurs, TGRL atteint une précision équivalente jusqu’à 36 % plus vite que de solides références RLVR, sans élargir le budget de rollouts. Sur 11 benchmarks, la moyenne de six benchmarks de maths progresse de 1,6 % à 32B.
Propagation1 article, publié par HF Daily Papers le 30 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZihan Lin, Xiaohan Wang, Jie Cao et al.huggingface.co
TGRL: Temperature-Grouped Reinforcement Learning for Efficient Exploration in LLMs (site externe)
Efficient exploration often remains a central bottleneck in reinforcement learning with verifiable rewards (RLVR).
Sur les mêmes thèmes
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
Évaluations
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
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