Temas en tendencia
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Ronak Malde ✈️ NeurIPS 2025
RL @GoogleDeepmind | prev research @windsurf_ai (Deepmind acq.) | @stanford
Un dato curioso y menos conocido en la historia de los LLM:
Cada laboratorio hace su formato de llamada a herramientas de forma muy diferente, y durante mucho tiempo esto fue un secreto bastante importante que mantener.
Nous Research fue la primera en abrir su formato y modelo de llamadas de herramientas Hermes, que arrasaron en la tabla de posiciones de llamadas de herramientas BFCL en 2024, y mostraron a la gente un formato y un analizador sintáctico fiables.
Justo después, Qwen empezó a usar también el formato de la herramienta Hermes, y ahora todos los modelos Qwen lo siguen usando hoy en día. El formato Hermes también se convirtió en la base para nuestros modelos swe-1 en Windsurf.
Es realmente interesante ver cómo las contribuciones de este laboratorio siguen vivas en el código abierto.
Así es como se ve:
<|im_start|>asistente
<tool_call>
{nombre: args:}
</tool_call>
<|im_end|>
7 ene, 03:39
Presentamos NousCoder-14b, un modelo competitivo de programación olímpica.
Nuestro último blog detalla los hallazgos completos de extensos experimentos y registros con la pila completa publicada: el entorno RL, el benchmark y el harness integrados en Atropos, todo totalmente reproducible con nuestra pila de entrenamiento abierta.
NousCoder-14b fue entrenado en posentrenamiento en Qwen3-14B por un investigador residente @JoeLi5050 utilizando 48 B200 a lo largo de 4 días, nuestro framework Atropos y el autoescalador de @modal. Alcanza una precisión Pass@1 del 67,87%, + 7,08% respecto a la precisión base de Qwen usando recompensas de ejecución verificables.
2
Puede que este sea mi artículo favorito del año🤯
Rich Sutton afirma que los métodos actuales de RL no nos llevarán al aprendizaje continuo porque no se basan en conocimientos previos, cada despliegue empieza desde cero.
Investigadores en Suiza introducen Meta-RL, que podría descifrar ese código. Optimiza entre episodios con un objetivo de meta-aprendizaje, que incentiva a los agentes a explorar primero y luego explotar. Y luego reflexiona sobre fallos anteriores para futuras partidas de agentes.
Resultados increíbles y lectura increíble de un artículo en general.
Autores: @YulunJiang @LiangzeJ @DamienTeney @Michael_D_Moor @mariabrbic
1
Populares
Ranking
Favoritas