PoEM: predecir el resultado del aprendizaje por refuerzo a partir de modelos ya entrenados
Un artículo de Kimia Hamidieh, Giannis Daras y Antonio Torralba, del MIT CSAIL y publicado en arXiv el 24 de septiembre de 2026, presenta PoEM. Este método combina modelos ya ajustados con distintas recompensas para aproximar el resultado de entrenar uno nuevo, sin aprendizaje por refuerzo adicional. Los pesos de la mezcla se estiman por regresión con pocas respuestas puntuadas. En experimentos con lenguaje recupera entre el 83 % y el 100 % de la mejora de recompensa del entrenamiento directo, medida por recompensa y no como tasa de acierto. Con modelos DPO la recompensa se parece, pero la distribución de respuestas no.
Qué significa
Permite estimar el resultado de un ajuste de modelo antes de hacer el entrenamiento completo, reutilizando modelos que ya existen. Esto ahorra cómputo al probar combinaciones de recompensas, aunque aún no se ha comprobado en modelos grandes ni en textos largos.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- #LLMタグLeer la noticia completa en #LLMタグ