UCLA+Прінстон відкритий код SDPG, внутрішній механізм викладачів дозволяє агентам навчати себе самих, математичне мислення та багатоступеневе планування безпосередньо перемагають GRPO

Повідомлення з CoinWorld, алгоритм SDPG був відкритий командою Лю Іфенг, Чжан Шиюань з Каліфорнійського університету в Лос-Анджелесі (UCLA) та Чжан Іфань з Прінстонського університету, з метою вирішення проблеми самовдосконалення агентів при відсутності зовнішнього керівного моделі. Цей алгоритм за допомогою механізму внутрішнього вчителя використовує привілейовану інформацію для створення високоякісних шляхів роздумів, підвищуючи ефективність та ймовірність успіху при багатоступеневих рішеннях. Оцінки показують, що SDPG перевершує GRPO та різні базові алгоритми самостримінгу у задачах математичних роздумів та багатоступеневого планування.