Tag
3 件の関連記事
arxiv.orgは6月11日(現地時間)、大規模言語モデル (LLM) の推論効率を高める新たなフレームワーク「ReSum」に関する論文を発表した。この研究は、既存の強化学習検証可能報酬 (Reinforcement Learning with Verifiable Rewards: RLVR) における推論の冗長性に着目。LLMが自身の推論軌跡を自己要約することで、推論の無駄を削減し、性能向上を実現したと報告している。実験では、平均4%の性能向上と18.6%の推論長さ削減を達成した。
arxiv.orgは2026年5月19日(現地時間)、Xiaozhe Li氏らの研究チームが、オンポリシー強化学習手法に内在するモード崩壊の根本原因を特定し、これを克服する新たなアルゴリズム「DMPO (Distribution-Matching Policy Optimization)」を提案したと報じた。DMPOは多様な推論タスクにおいて、既存手法を一貫して上回る品質改善を達成し、強化学習の汎用性と安定性を大きく向上させる可能性を示唆している。
NVIDIAは2026年5月13日(現地時間)、ロンドンを拠点とするAIラボであるIneffable Intelligenceとのエンジニアリングレベルでの協業を発表した。この提携は、強化学習システム向けのインフラストラクチャを構築することを目的としている。両社は、経験を通じて新しい知識を発見するシステム、いわゆる「スーパーラーナー」を大規模に展開するための基盤開発を進める。