GRAFT remplace les groupes entièrement en échec du RLVR par des trajectoires issues d’un autre modèle
1 sourcemis à jour 30 sept.pertinence 3,2 sur5
L’essentiel
Sur trois paires de modèles hétérogènes et cinq benchmarks de maths, GRAFT gagne en moyenne 2,1 points face à GRPO, avec le même budget de rollouts par modèle, et jusqu’à 4,5 points sur la moyenne d’un modèle.
Propagation1 article, publié par HF Daily Papers le 30 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceDoohyuk Jang, Yoonsik Park, Gyouk Chu et al.huggingface.co
Learning Beyond What You Sample: Off-Policy-Aware Cross-Model Trajectory Exchange for RLVR (site externe)
Reinforcement Learning with Verifiable Rewards (RLVR) methods such as GRPO rely on successful self-generated trajectories, but finite rollout budgets can produce all-fail groups with no reward-based policy-gradient signal.
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