Le filThèmes : RechercheÉvaluations
EasyPPO corrige l’instabilité du critique de PPO dans l’apprentissage par renforcement des LLM
1 sourcemis à jour 30 sept.pertinence 3,2 sur5
L’essentiel
Ses meilleurs scores de validation dépassent ceux de PPO de 14,89 %, 2,28 % et 9,47 % en valeur relative. Il reste stable sur tout l’entraînement, en code, en mathématiques et en recherche multitour, selon les auteurs.
Propagation1 article, publié par HF Daily Papers le 30 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceXuanyi Zhou, Qiuyang Mang, Huanzhi Mao et al.huggingface.co
EasyPPO: Stabilizing the Critic Is Key (site externe)
A key strength of Proximal Policy Optimization (PPO) is its learned critic, which uses historical trajectories collected during reinforcement learning to estimate expected returns and reduce policy-gradient variance.
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