tag: Reinforcement Learning

ทีมนักวิจัยใช้ ThinkingBox เปลี่ยนการตรวจสอบสถานะฐานข้อมูลให้เป็นฟังก์ชันรางวัลเพื่อฝึกฝนเอเจนท์ AI ด้วยวิธี GRPO ช่วยเพิ่มความน่าเชื่อถือและอัตราความสำเร็จของ Qwen3.8-27B ได้เกือบ 3 เท่า

JOLT เป็นวิธีการฝึกโมเดล AI รูปแบบใหม่ที่ใช้โมเดลเดียวเป็นทั้งผู้สอนและผู้เรียน ให้ผลลัพธ์แม่นยำเทียบเท่า GRPO แต่ประหยัดทรัพยากรการคำนวณน้อยกว่าถึง 6.5 เท่า

World models คือเทคโนโลยีที่จะพลิกโฉมวงการ AI จากการแค่ประมวลผลข้อมูล สู่การเรียนรู้และจำลองพฤติกรรมของสภาพแวดล้อมเพื่อวางแผนการทำงานได้อย่างชาญฉลาด

ทีม Qwen ของ Alibaba เปิดตัว QwenGyre เฟรมเวิร์กการฝึกฝนแบบ elastic reinforcement learning ที่ช่วยให้ AI Agent ทำงานต่อเนื่องได้นานเป็นพิเศษและรองรับโทเคนได้เกือบ 1 ล้านโทเคน

Kyutai เปิดตัว Voice of Reason โมเดล Speech-to-Speech แบบ Open-weight จำนวน 2 โมเดลที่พัฒนาต่อยอดจาก GLM-4-Voice-9B โดยใช้เทคนิค SFT และ Reinforcement Learning ช่วยเพิ่มความแม่นยำในการแก้โจทย์คณิตศาสตร์ผ่านเสียงจาก 27.3% พุ่งสูงถึง 77.1% โดยไม่ต้องแปลงเป็นข้อความ

Xiaomi ก้าวขึ้นเป็นผู้นำตลาด AI แบบเปิดด้วยโมเดล MiMo-V2.6-Pro ที่เน้นประสิทธิภาพความฉลาดสูงแต่ต้นทุนต่ำ ท่ามกลางข้อครหาจาก Anthropic ว่ามีการลักลอบนำข้อมูลจาก Claude ไปใช้ฝึกฝน

ผู้เล่น Balatro ใช้แผนที่สมองแมลงวันทองของ Google มาฝึกฝนด้วยอัลกอริทึมจนสามารถเล่นเกมชนะได้ที่อัตราความสำเร็จ 20%

Google Research พัฒนาเฟรมเวิร์ก Retrieve-for-Train (R4T) ที่ใช้ RL ฝึกโมเดล Diffusion ขนาด 53.9 ล้านพารามิเตอร์ ให้สามารถสร้างผลลัพธ์การค้นหาที่หลากหลายและแม่นยำได้ในการประมวลผลครั้งเดียว เร็วกว่าเดิมสูงสุด 20 เท่า

ทีมนักวิจัยเสนอเฟรมเวิร์กใหม่ที่ใช้การเรียนรู้แบบเสริมกำลัง (RL) ฝึกฝน AI ให้แตกหัวข้อการค้นหาที่หลากหลายและแม่นยำขึ้น โดยลดภาระการประมวลผลให้ทำงานได้เร็วขึ้นอย่างมหาศาล

Reward AI เปิดตัว OM-1 นโยบายควบคุมหุ่นยนต์อเนกประสงค์ที่ฝึกฝนผ่านการสาธิตโดยมนุษย์ด้วยถุงมือเซนเซอร์ 7-DoF โดยไม่ต้องใช้การควบคุมระยะไกลหรือข้อมูลเดิมจากตัวหุ่นยนต์ สามารถเรียนรู้งานใหม่ได้ภายในเวลาไม่ถึง 30 นาที

สรุปกระบวนการสร้างและฝึกโมเดลภาษาขนาดเล็กให้สามารถวาดภาพสีน้ำที่สวยงามผ่านโค้ด JavaScript โดยใช้เทคนิค Reinforcement Learning (RL) ร่วมกับไลบรารี p5.brush และเครื่องมือจาก Hugging Face เพื่อเลียนแบบรสนิยมทางศิลปะของมนุษย์

Pollen Robotics ทีมผู้พัฒนาจาก Hugging Face เปิดตัว Microduck หุ่นยนต์สองขาสูง 25 ซม. ที่รองรับการฝึกฝนผ่าน Reinforcement Learning ในราคา 399 ดอลลาร์ พร้อมเปิดเผยกระบวนการฝึกแบบ sim-to-real สู่สาธารณะ

Harvey เปิดตัว Harvey Tenet โมเดลวิจัยที่พัฒนาจาก Kimi K3 ผ่านกระบวนการ Reinforcement Learning เพื่อเพิ่มประสิทธิภาพในภารกิจทางกฎหมายที่ซับซ้อน โดยทำคะแนนบน Legal Agent Benchmark ได้ดีขึ้นเกือบเท่าตัว

ทีม Kimi ของ Moonshot AI และ kvcache-ai เปิดตัว AgentENV ระบบ Sandbox สำหรับ AI Agent ที่ใช้เทคโนโลยี Firecracker microVM สามารถ Snapshot และ Resume ได้ในระดับมิลลิวินาที พร้อมรองรับการฝึกโมเดล Kimi K3 ขนาด 2.8 ล้านล้านพารามิเตอร์

Google Research พัฒนาเฟรมเวิร์ก Reinforcement Learning (RL) ที่ช่วยให้คอมพิวเตอร์ควอนตัมสามารถปรับจูนพารามิเตอร์และแก้ไขข้อผิดพลาดได้แบบเรียลไทม์ระหว่างรันอัลกอริทึม

Sakana AI เปิดตัว Error Diffusion (ED) แนวทางการฝึก AI รูปแบบใหม่ที่ใช้หลักการชีวภาพโดยไม่พึ่งพา Backpropagation เพื่อแก้ปัญหาการขนส่งน้ำหนักและรองรับฮาร์ดแวร์ยุคใหม่ ผลการทดสอบพบว่าสามารถใช้กับโครงข่าย Convolutional ได้เป็นครั้งแรกและทำประสิทธิภาพได้ดีในงานเสริมแรงเรียนรู้

Rich Sutton ผู้บุกเบิกด้าน Reinforcement Learning ระดับโลก เปิดตัวสตาร์ทอัพ Oak Lab ในโตรอนโต เพื่อท้าทายขีดจำกัดของ Deep Learning ในปัจจุบัน และสร้าง AI ที่สามารถเรียนรู้จากสิ่งแวดล้อมได้อย่างต่อเนื่อง