TurnWise：ストリーミング動画RLのターン単位クレジット割当

1. 04:00
   Hugging Face Daily Papers

   TurnWise、ターン単位の報酬割り当てでストリーミング動画理解の強化学習を改善

   TurnWiseは、ストリーミング動画理解向けの強化学習で、応答と待機の各判断にターン単位で学習信号を割り当てるGRPOフレームワークである。ターン内とターン間で平均するトークン損失の算出により、応答と待機の判断を出力長に依らず等しく重み付けする。学習済みcriticや追加のロールアウトを用いず、実験では既存のRL手法を上回ったと示されている。

現在の注目度 3·比較可能なピーク 3（11月5日 17:00）·24時間の比較可能な増減 –

推移は、継続的かつ完全に観測できたアカウントのみを比較しているため、現在の注目度の数値より範囲が狭くなる場合があります。ポインターを動かすかグラフをタップすると、1時間ごとの注目度を確認できます。キーボードでは左右の矢印キーを使います。