UCLA+Princeton membuka sumber SDPG, mekanisme pengajar internal memungkinkan agen belajar sendiri, penalaran matematika dan perencanaan multi-langkah langsung mengalahkan GRPO

Berita dari Coinjie.com, algoritma SDPG dikembangkan secara open-source oleh tim Liu Yifeng, Zhang Shiyuan dari Universitas California, Los Angeles (UCLA), dan Zhang Yifan dari Universitas Princeton, bertujuan untuk mengatasi hambatan evolusi diri pada agen cerdas ketika tidak ada panduan dari model pengajar eksternal. Algoritma ini melalui mekanisme pengajaran internal, memanfaatkan informasi istimewa untuk menghasilkan jalur penalaran berkualitas tinggi, meningkatkan efisiensi pelatihan dan tingkat keberhasilan dalam pengambilan keputusan multi-langkah. Data evaluasi menunjukkan bahwa SDPG berkinerja lebih baik daripada GRPO dan berbagai algoritma baseline distilasi mandiri dalam tugas penalaran matematika dan perencanaan multi-langkah.