#RL

Práca o continuous-time multi-timescale agentoch spochybňuje obľúbenú predstavu, že stačí pridať self-monitoring a agent bude automaticky robustnejší. Autori ukazujú, že pomocné metakognitívne moduly samy o sebe nepriniesli významné zlepšenie, pokiaľ neboli hlbšie zapracované do architektúry rozhodovania.

Nová práca Self-Distillation Zero tvrdí, že model si vie z binárnej odmeny vytvoriť hustejší tréningový signál aj bez externého učiteľa. Ak sa výsledky potvrdia, mohlo by to zlacniť časť post-trainingu pre matematické a kódové reasoning úlohy.