Apprentissage par renforcement
Fellow suit ce sujet depuis avril 2026 : 190 articles résumés en français, dont 48 jugés majeurs ou notables.
Toute l'actualité · 190 articles
Pictura : self-play à grande échelle en vue égocentrique pour la conduite autonome
Un simulateur GPU multi-agents rend les vues caméra de chaque agent en temps réel, permettant d'entraîner des politiques de conduite sans observations privilégiées.
Un fine-tuning RL à 500$ sur un modèle 9B surpasse les modèles frontier
Un fine-tuning par renforcement peu coûteux permet à un petit modèle open-weights de dépasser les SOTA sur une tâche de revue de catalogue.
La physique de la planification multi-tours à long horizon : du pré-entraînement au post-entraînement via distillation agentique
Une étude systématique en environnement contrôlé décortique comment les modèles acquièrent et affinent la capacité de planification longue durée.
Expliquabilité du RL par distillation de politique physique
Une méthode distille un agent TD3 opaque dans un arbre de décision interprétable pour un contrôle continu sûr.
Skill Self-Play : l'auto-évolution des LLM par compétences co-évolutives
Un nouveau cadre d'entraînement par auto-jeu pour améliorer les capacités de raisonnement et d'usage d'outils des LLM.
Apprentissage par renforcement explicable pour assister les contrôleurs aériens
Des chercheurs testent des cartes de saillance pour rendre lisibles les décisions d'un agent RL chargé d'éviter les zones interdites de vol.
ADAPT-GQE : des transformers pour préparer les états fondamentaux moléculaires en calcul quantique
Un framework génératif accélère d'un ordre de grandeur la synthèse de circuits quantiques pour la chimie computationnelle, testé sur du matériel Quantinuum réel.
OpenForgeRL : entraînement d'agents harness-native
Un framework open-source pour entraîner des agents de bout en bout via des infrastructures d'inférence complexes.
MIRROR : optimiser le raisonnement multi-modal par vues croisées
Une méthode RL exploitant les vues texte et image pour améliorer la cohérence des modèles de vision-language.
Vers la télé-manipulation locomotrice de robots humanoïdes miniatures via VR et apprentissage par renforcement
Un système de téléprésence combinant réalité virtuelle et RL adapté aux robots humanoïdes miniatures, testé sur la plateforme ROBOTIS OP3.
Notes personnelles : les LLM peuvent-ils tirer parti d'abstractions expérientielles ?
Une étude explore si les LLM peuvent extraire des stratégies réutilisables de leurs propres traces de résolution, comme le font les humains avec l'expérience.
Copier moins, ancrer plus : corriger la copie répétitive dans le raisonnement long-contexte via un RL sensible aux preuves
Une étude identifie un défaut fréquent des LLM en contexte long : recopier le texte source au lieu de raisonner, et propose une méthode de RL pour y remédier.
Off-Context GRPO : apprendre à raisonner sur des problèmes difficiles
Une variante du GRPO utilisant des informations privilégiées guide le modèle vers des solutions correctes sans déstabiliser l'apprentissage.
Un apprentissage par renforcement enrichi par la physique pour le contrôle optimal en temps réel de systèmes dynamiques
Une nouvelle méthode combine RL et différentiabilité des dynamiques physiques pour réduire drastiquement le nombre d'interactions nécessaires.
Quand l'optimiseur Muon améliore-t-il l'apprentissage par renforcement agentique ?
Une étude exploratoire compare Muon à AdamW en post-training RL sur des tâches agentiques à récompense éparse, avec des gains significatifs sous certaines conditions.
ToolSciVer : vérification scientifique multimodale par RL et outils visuels
Un cadre utilisant des outils spécialisés et le reinforcement learning pour améliorer la vérification de réclamations scientifiques.
Comprendre le raisonnement des LLM, du pretraining au post-training via le RL
Une étude sur les échecs comme banc d'essai contrôlé révèle comment les choix de pretraining déterminent les gains obtenus par le RL post-training.
DADiff : adaptation de politique par diffusion pour l'apprentissage par renforcement inter-domaines
Un nouveau cadre basé sur la diffusion estime l'écart de dynamique entre domaines pour adapter des politiques de RL avec peu d'interactions cible.
Ring-Zero : le RL sans supervision porté à mille milliards de paramètres pour un raisonnement émergent
Une équipe de recherche fait passer l'apprentissage par renforcement pur (« zero RL ») à l'échelle du trillion de paramètres, avec des capacités de raisonnement qui émergent sans supervision.
MeanFlowNFT : le RL forward-process pour les générateurs MeanFlow
Une méthode RL adaptée aux générateurs de vélocité moyenne qui optimise le récompense sans altérer la vitesse d'échantillonnage.
Algorithmes pour l'ordonnancement de remplacement par bloc
Optimisation du remplacement préventif de machines via des approches bandit et estimation non paramétrique.
Lighthouse RL : optimiser le dimensionnement de circuits analogiques avec moins d'essais
Une nouvelle stratégie de reset guidé par des configurations performantes améliore l'efficacité et la généralisation du RL pour la conception de circuits.
L'exposant de Lyapunov comme récompense dense pour stabiliser un pendule inversé par RL
Une méthode de reinforcement learning utilise l'exposant de Lyapunov pour aller au-delà du pendule de Kapitza et stabiliser un pendule inversé.
TRACE : attribution de récompense au niveau des tours pour agents à long horizon
Une méthode d'apprentissage par renforcement affine le crédit accordé à chaque action d'un agent, sans critique additionnelle ni supervision coûteuse.
TerraZero : simulation procédurale pour l'autopilotage sans démonstration
Un simulateur de conduite rapide et réaliste capable d'entraîner des agents par reinforcement learning à grande échelle.
Workflow de recherche autonome avec agents RL et NVIDIA NeMo
NVIDIA présente comment des agents IA dotés de compétences RL peuvent automatiser l'exécution de workflows ML complexes.
Apprentissage par renforcement guidé par la connaissance et le gradient pour les MDP à actions paramétrées
Une méthode neuro-symbolique combine base de connaissances Datalog et raffinement par gradient pour améliorer l'efficacité d'échantillonnage en RL.
Show HN : un agent entraîné par RL pour entraîner d'autres modèles via RL (pour environ 1 300 $)
Un développeur détaille un projet où un agent, lui-même entraîné par renforcement, orchestre l'entraînement RL d'autres modèles à faible coût.
Une méthode minimaliste de RL guidé par retargeting pour la manipulation dextre
REGRIND apprend des politiques de manipulation dextre à partir d'une seule démonstration humaine, avec transfert direct vers le matériel réel.
Recherche d'architectures neuronales frugale : essaims et Transformer pour du NAS accessible
Un cadre hybride combinant Transformer et Artificial Bee Colony permet de faire du NAS sur GPU grand public, en quelques heures seulement.
La « leçon des 4 bits » : stabilité et performance dans l'apprentissage par renforcement en NVFP4
Un article technique explore comment entraîner des modèles en RL avec le format de quantification NVFP4 sans sacrifier la stabilité de l'entraînement.
Semantic Pareto-DQN : un cadre de reinforcement learning multi-objectif pour la détection d'anomalies financières
Un modèle combine LLM et RL multi-objectif pour éviter l'effondrement vers la classe majoritaire dans la détection de fraude, sans rééchantillonnage des données.
PAC-ACT : post-entraînement acteur-critique pour les transformers à découpage d'actions
Un framework de reinforcement learning affine les politiques robotiques pré-entraînées pour les tâches de manipulation industrielle à contact précis.
Latent Memory Palace : le raisonnement pour le contrôle comme inférence variationnelle autorégressive
Une nouvelle architecture latente inspire du « palais de mémoire » humain pour doter les politiques de contrôle continu d'une capacité de raisonnement adaptatif.
Agon : apprentissage par renforcement compétitif inter-modèles pour le raisonnement
Deux modèles s'affrontent et se notent mutuellement pour améliorer leur raisonnement, sans étiquettes de processus ni reward model externe.
AdaPrefix-GRPO : contrôle adaptatif du préfixe pour maximiser le signal d'entraînement sur les problèmes difficiles
Une méthode de feedback adaptatif ajuste dynamiquement la longueur du préfixe de solution fourni au modèle, doublant la précision de GRPO sur les problèmes mathématiques difficiles.
FootsiesGym : un benchmark de jeu de combat pour l'apprentissage par renforcement en deux joueurs
Un environnement open-source basé sur le jeu de combat minimaliste Footsies pour étudier les interactions stratégiques cycliques et non transitives.
Une seule couche suffit-elle ? Un unique layer Transformer égale l'entraînement RL complet
Une étude montre qu'affiner un seul layer d'un Transformer via RL atteint des performances comparables à l'entraînement complet de tous les paramètres.
Les LLMs ont besoin de sommeil : auto-modification et consolidation mémoire
Un paradigme « Sleep » inspiré du cerveau humain pour permettre aux LLMs d'apprendre en continu et de consolider leurs connaissances à long terme.
David Silver de DeepMind lève 1,1 Md$ pour une IA apprenant sans données humaines
Le chercheur derrière AlphaGo quitte DeepMind pour lever 1,1 milliard de dollars et construire une IA capable d'apprendre de manière autonome.