MIRA-AC：从预训练价值模型初始化共享 actor–critic
anirudhg9119 · x · 2026-10-14
推文串说明训练设计：光预测价值不够，MIRA-AC 从预训练价值模型初始化共享 actor–critic——critic 预测剩余回报，actor 选择下一个调查方向，让模型既学会评估进展、又学会决定研究什么。critic 用 KL 损失对齐实验的实际回报分布，作者称步级生成式 critic 优于 token 级标量价值头及其他所有测试过的 critic 设计。
所属事件:MIRA-AC:用代理反馈与分层架构训练自动科研智能体(14 条相关)→
「研究」频道最新
- 混合精度+混合加速器采样器跑 RL，配合 off-policy 校正稳定收敛且更省成本 — xiuyu_l · 2026-10-14
- EPFL 将于 10 月办 Computational Future 工作坊，多位 LLM 圈老人参加 — frederickaplan · 2026-10-14
- IBM 联合 Fugaku 完成迄今最大 12635 原子量子化学模拟 — aronchick · 2026-10-14
- Anthropic 发布 217 页 Gemini 4 能力与倾向安全评估报告 — JMateosGarcia · 2026-10-14
- 港中深团队发布 UNITAS:首个 3D 原生世界动作模型,1.7B 参数 — CUHKSZ · 2026-10-14
- 联合训练多表示全面增益，BGE-m3 与 NeoMME 实证 — antoine_chaffin · 2026-10-14