>>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。
【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★]
名無しのひみつ
レスを投稿する
ニュース
- 【速報】 米中露首脳「平和宣言」したのに、ロシアが各国の大使館を攻撃してしまう オーストリア首相「断じて容認できない」 [お断り★]
- 【疑問】「きれいになるとは思えません!」日本の飲食店のおしぼりにアメリカ人が困惑 [♪♪♪★]
- 【株価】日経平均終値3007円安、AI・半導体に売り アンソロピックに祝杯ならず [蚤の市★]
- 【国際】パプアニューギニア首相、習近平氏に「台湾窓口閉鎖」を報告 [煮卵★]
- 橋本愛 未だに止まらない“過剰バッシング”…映画出演に「共演者がイケメンだからOKなんだ」と謂れのない声も [muffin★]
- 【大阪】「3歳娘を殴ったり床にたたきつけたりする動画」殺人容疑で逮捕された父親が事件当日に撮影・スマートフォンに保存 枚方市 [ぐれ★]
- 加藤小夏さんファン倶楽部🏡
- これっぽっちの刃で痛い痛い指の先🩸👈(・o・;🍬)🏰
- 高橋洋一「高市総理を無視した中国は世界中から非礼な国だと思われている」 [834922174]
- 【訃報】英怜奈ちゃん(3)、父親に動画撮影されながらボコボコに殴り殺されて死亡 [974680522]
- 【速報】日本政府、不正アクセスで情報流出 [545512288]
- 店で注文する餃子ってマズイよな