विस्तृत विश्लेषण · लगभग 4 मिनट पढ़ना
StaGPO अधूरे simulated उत्तरों के साथ agent training परखता है
जरूरत और missing information से turns समूहित होते हैं। लाभ training recipe पर निर्भर हैं, मानव संवाद गुणवत्ता सिद्ध नहीं करते।
- यहाँ प्रकाशित
- स्रोत की तारीख
- स्रोत जाँचा गया
16 अक्टूबर को पहली बार जमा Notre Dame preprint masked simulated replies के साथ StaGPO प्रस्तावित करता और Qwen3.5 में सुधार व सीमाएँ बताता है।
समाचार सुनें
यह लेख सुनें या समाचार लगातार चलाएँ।
पढ़ने की तैयारी हो रही है…
डिवाइस की आवाज़
वाक् प्रक्रिया आपके ब्राउज़र या डिवाइस में होती है। AISubHub पाठ किसी ऑडियो API को नहीं भेजता। आवाज़ों और लॉक स्क्रीन पर चलने की सुविधा डिवाइस पर निर्भर है।
जारी करने पर छोटा वाक्यांश दोहराया जा सकता है।
मुख्य बातें
- ToolWOZ mask 0.4 पर 2B recipe 76.8%, base-start GRPO 72.0% और InfoPO 74.0% है।
- इसमें 33 अपने dialogs का supervised cold start है; बिना इसके StaGPO 67.1%, GRPO 72.0% से नीचे है।
कमजोर user का सीमित अर्थ
अध्ययन असली ग्राहकों की क्षमता नहीं बाँटता। Simulator का task, knowledge और goal वही रखकर कुछ sentences को स्पष्ट inaudible marker से बदलता है। Opening message mask नहीं होता और simulator अपना पूरा history देखता है। मुख्य user gpt-oss-120b है, nominal rates0,0.2,0.4 हैं।
यह channel loss अलग करता है, हर मानवीय अस्पष्टता, गलती या विरोधाभास नहीं। बिना marker की silent omissions नहीं जाँचीं। Non-thinking Qwen3.5-2B और 4B को LoRA से ToolWOZ bookings और tau2 retail पर train किया, सामान्य chat subscriptions पर नहीं।
ज्यादा exposure और प्रश्न पर्याप्त नहीं
Standard GRPO में fixed masks, mixtures और curriculum पूर्ण replies से training से noise के आगे विश्वसनीय बेहतर नहीं थे। Mask के बाद कम गिरावट पहले से कमजोर baseline के कारण भी हो सकती है। शुरुआती स्तर और masked score दोनों देखें।
अधिक प्रश्न का prompt भी इस setup में भरोसेमंद success gain नहीं देता। Clarification व्यर्थ नहीं: audited counterfactual prefixes में एक targeted request ने कुछ loss लौटाया। लेख प्रारंभिक label alignment गलती सुधारता है। प्रश्न संख्या के बजाय task requirement भरने को जाँचना चाहिए।
State एक grouping key है
हर action से पहले StaGPO छिपा structured state लिखता है: जरूरत, gap और हाल के tool outcomes। Domain key उसी task के अलग rollouts में ज्ञात fields और result types से comparable turns जोड़ता है, पूरा text या slot values समान होना जरूरी नहीं।
Group-relative discounted outcomes से step advantage GRPO episode credit में जुड़ता है; बिना group के सामान्य credit रहता है। State को अचूक सत्य के रूप में supervise नहीं किया जाता: कुछ गलत content के साथ भी consistent key काम कर सकती है। State print करना और actions का learning credit बदलना अलग interventions हैं।
76.8% के साथ cold-start शर्त
ToolWOZ mask 0.4 पर 76.8%, GRPO 72.0% से 4.8 percentage points और InfoPO 74.0% से 2.8 ऊपर है। यह task success है, efficiency या satisfaction नहीं। Recipe में 33 self-generated successful dialogs से supervision है, stronger teacher नहीं।
समान start में केवल state लिखने से 60.1%, grouping से 76.8% मिलता है। Cold start के बिना StaGPO 67.1%, base GRPO 72.0% से कम है। Initialization से स्वतंत्र फायदा सिद्ध नहीं। tau2-retail 4B में अगले hybrid से सिर्फ एक point बढ़त evaluation noise के भीतर है।
मानव उपयोग से पहले की दूरी
StaGPO ToolWOZ में 30 validation,70 test tasks और प्रत्येक की दो evaluations हैं। चुने 2B configs के तीन training runs, कई 4B के सिर्फ एक हैं। Task-paired error task और simulator noise बताता है, अपने आप training variance नहीं। Mask transfer भी उसी simulation protocol में है।
Final-state reward हर interaction नहीं मापता, जैसे action से पहले confirmation। हम silent gaps, contradictions, consent और महँगी गलतियाँ भी जाँचने का प्रस्ताव रखते हैं, उन्हें सिद्ध feature नहीं कहते। Humans, दूसरे simulators और learned grouping खुले प्रश्न हैं; API कीमत या सदस्यता अधिकार नहीं बदलते।
यह क्यों अहम है
AISubHub विश्लेषण: information loss, state, उपयोगी action और success अलग जाँचें। अधिक प्रश्न या state लिखना बेहतर learning credit का विकल्प नहीं।
सीमाएँ और उपलब्धता
हमने पूरी 22-page v1, appendices और history पढ़ी। यह under-review लेखक simulation है, human trial या हमारी replication नहीं। एक family, दो sizes और domain keys सामान्यीकरण सीमित करते हैं।
स्रोत और प्रमाण
स्रोत की तारीख: · स्रोत जाँचा गया:
पूरक पठन
स्रोत जाँचा गया:
AI की सहायता से लिखे लेखों को दिए गए प्राथमिक स्रोतों से जाँचा जाता है। प्रदाता के दावों का श्रेय स्पष्ट है; सूची में होना समर्थन नहीं है।