5ちゃんねる⇒科学ニュース+@5ch掲示板
設定
ダークモード
広告表示
画像・外部リンク

UPLIFT会員は外部リンクへ直接移動します。確認は初期設定でオンです。

機能のオン・オフ

このブラウザ・このサーバーのみ。オフにしても保存済みデータは残ります。

UPLIFT

151コメント180KB

【AI】謎の高性能AI、正体は中国の「GLM-5.3-Flash」と判明 AnthropicやOpenAIの対抗馬に [すらいむ★]

垢版
>>60 続き

論文内の比較では、訓練可能な既存手法のSkillOSが80.2%、SkillRLが89.9%だった。ただし、表には著者らが実行した値と既存論文から引用した値が混在する。SkillRLは別のQwen系基盤モデルを使っており、計算資源やハーネス条件まで揃えた同条件比較ではない。
ALFWorld公式リポジトリは、valid_seenを分布内、valid_unseenを分布外の検証用データとして区別している。収録数はseenが140件、unseenが134件だ。分布外のunseenでは、ReActの50.0%に対してEvoHarness-RLは86.6%だった。推論時BPEだけでも77.6%に達した一方、SFTのみでは69.4%に下がっている。著者らは、SFTがseen軌跡にある教師のハーネス利用を模倣し、分布外でアクセスが割に合うかを最適化していない可能性を挙げる。GRPO後の改善はこの説明と整合するが、方策全体を更新するため、アクセス判断だけの効果を分離した数字ではない。
BPEの各要素を外す実験は、凍結モデルの推論時ハーネスで各領域が果たす役割を測っている。凍結したQwen3-8Bの推論時構成で、全BPEは56.4%だったが、Beliefなしは50.0%、Progressなしは50.7%、Experienceなしは48.6%まで落ちた。少なくともこの環境では、単一のメモリ機能ではなく、現在、途中経過、過去の3種類を分けて持つことに意味がある。
レスを投稿する


ニューススポーツなんでも実況