LLMZero: Discovering Adaptive Training Strategies for RL Post-Training via LLM Agents

En 3 lignesLLMZero utilise des agents LLM avec recherche arborescente pour découvrir des stratégies d'entraînement RL adaptatif. Le système identifie que les paramètres de capacité augmentent monotoniquement tandis que les paramètres de régularisation oscillent. Sur 4 tâches GRPO, les stratégies découvertes surpassent le modèle de base de 9-140% et la recherche en grille de 6-15%.

Résumé généré par Claude — vérifié par l'humain