UCLA+Princeton abre fuente SDPG, el mecanismo interno de profesores permite que los agentes enseñen a sí mismos, la inferencia matemática y la planificación en múltiples pasos superan directamente a GRPO

Noticia de Coinjie.com, el algoritmo SDPG fue abierto por el equipo de Liu Yifeng, Zhang Shiyuan del Departamento de Ciencias de la Computación de la Universidad de California en Los Ángeles (UCLA) y Zhang Yifan de la Universidad de Princeton, con el objetivo de resolver el cuello de botella en la autoevolución de los agentes cuando carecen de la guía de un modelo de maestro externo.
El algoritmo utiliza un mecanismo de guía de maestro interno, aprovechando información privilegiada para generar rutas de razonamiento de alta calidad, mejorando la eficiencia y la tasa de éxito del entrenamiento en decisiones de múltiples pasos.
Los datos de evaluación muestran que SDPG supera a GRPO y varias algoritmos de línea base de autoestilización en tareas de razonamiento matemático y planificación de múltiples pasos.