Ppo
Fellow suit ce sujet depuis juillet 2026 : 8 articles résumés en français, dont 2 jugés majeurs ou notables.
Toute l'actualité · 8 articles
Théorie de l'optimisation de politique en post-training : effondrement de la couverture et réinitialisations de référence
Des chercheurs montrent que REINFORCE, base de PPO et GRPO, peut faire chuter la probabilité des réponses optimales, et proposent des resets de la référence KL pour y remédier.
Grasp-TAGS : sélection de prises adaptée à la tâche par distillation de critic pour la loco-manipulation préhensile
Un framework distille le critic d'une politique PPO en un réseau d'utilité léger qui classe les prises candidates avant tout contact, pour le réarrangement d'objets volumineux.
PolicyIK : cinématique inverse de haute précision pour bras robotiques par apprentissage par renforcement
Une politique d'apprentissage par renforcement conditionnée par l'objectif atteint une précision millimétrique en cinématique inverse et surpasse quatre contrôleurs IK classiques sur bras physique.
Player-1 : apprendre à jouer à partir d'expérience synthétique
Un framework de post-training enseigne le contrôle de jeux vidéo à des agents grâce à seize environnements synthétiques et au reinforcement learning PPO, au-delà des simples démonstrations.
Gestion de bundles et contrôle de flux orientés objectif pour les communications en espace lointain par apprentissage par renforcement
Un framework d'apprentissage par renforcement optimise l'ordonnancement et l'abandon de bundles sur un relais spatial, en privilégiant les données les plus utiles aux objectifs de mission.
OR Else : une région de confiance différentiable pour l'optimisation de politique
Une alternative lisse au clipping de PPO et GRPO testée sur Llama-3.2-1B pour le post-entraînement de LLM par RLHF.
MPFlow : optimisation du max-flow sur le Lightning Network par graph reinforcement learning
Un agent léger combinant message-passing et PPO optimise le placement de liquidité sur le réseau Bitcoin Lightning, déployé en production sur 30 nœuds.
Pondération sélective et replay par avantage pour un RLHF diffusion plus efficace
Deux stratégies complémentaires pour réduire le nombre d'évaluations nécessaires lors de l'alignement par RLHF des modèles de diffusion.