تا امروز، تقویت مدلهای هوش مصنوعی (RLVR) عمدتاً محدود به حوزههایی مثل ریاضی و کدنویسی بود، چون این کارها جوابهای مشخص و قابل تأیید دارند. اما حالا یک متدولوژی جدید به نام RLSVR معرفی شده که میخواهد این محدودیت را برای کارهای خلاقانه و باز (مثل خلاصهنویسی و نوشتن خلاق) از بین ببرد!
این روش با تبدیل وظایفِ باز به محیطهای «خود-تأییدکننده» (مثل بازیهای چندعاملی)، به مدل اجازه میدهد بدون نیاز به قضاوت انسانی، خودش یاد بگیرد و پیشرفت کند. این یعنی گامی بزرگ به سمت ایجنتهای مستقلتر و باهوشتر! 🔥
منبع: arXiv AI