タグ: Reinforcement Learning

7月 24 2026

0

OLED分子設計にLLMと強化学習を応用、GRPOで物性制御を実現

投稿者: ユウ

TL;DR 本論文は、有機EL（OLED）材料の逆設計フレームワークを…

7月 23 2026

0

RLVRによる法的翻訳：推論のコストと品質のトレードオフ

投稿者: ユウ

TL;DR RLVR（検証可能報酬による強化学習）でファインチューニン…

7月 22 2026

0

長文推論でモデルが入力を丸写しする問題と、証拠に注目させる報酬設計GEAR

投稿者: ユウ

TL;DR 長文推論タスクでLLMが入力をそのまま思考にコピーする「反…

7月 22 2026

0

OmniReasoner：長尺音声動画の推論を「ズームイン」ツールで効率化する手法

投稿者: ユウ

TL;DR OmniReasonerは、長い音声動画に対して、まず低コ…

7月 22 2026

0

LLMをコーチに変えるEL：スカラー報酬より5000倍の情報量で非検証タスクを改善

投稿者: ユウ

TL;DR 従来のRLはLLM-as-a-Judgeの評価をスカラー報…

7月 21 2026

0

ToolSciVer：科学論文の図表を読み解く、強化学習でツールを使い分ける検証フレームワーク

投稿者: ユウ

TL;DR ToolSciVerは、科学論文の図表やグラフを正確に読み…

7月 17 2026

0

LLMエージェントのメモリ操作を学習で適応制御するMEMCON

投稿者: ユウ

TL;DR MEMCONは、LLMエージェントの外部メモリへのアクセス…

7月 17 2026

0

M4World：物体操作と長時間ストリーミングを両立した運転世界モデル

投稿者: ユウ

TL;DR M4Worldは、マルチビューカメラとLiDARを同時生成…

7月 16 2026

0

DPベース検証器でLLMを強化学習：蓄熱スケジューリングへの応用

投稿者: ユウ

TL;DR 蓄熱システムのスケジューリングにLLMを適用。動的計画法(…

7月 15 2026

0

プロキシモデルで探索した更新信号を転送するLLMポストトレーニング手法PUST

投稿者: ユウ

TL;DR PUSTは、LLMのポストトレーニングにおいて、軽量なプロ…