Hugging Face、多エージェント強化学習による教師なし推論手法「Co-RL」を論文公開

記事の3ポイント

1. 1

   自己報酬の限界克服

   単独モデルによる自己報酬学習はバイアス強化や同質化を招くが、Co-RL は他者からのフィードバックを用いることでこれを回避する。

2. 2

   多様性によるエラー低減

   異種モデルファミリーやサイズ、再記述されたトレーニングサンプルの組み合わせにより、相関した誤差を減少させる。

3. 3

   性能向上の実証

   テキストおよびマルチモーダル領域でラベルなしながら既存手法を上回り、LLM で最大 8.6%、VLM で最大 7.2% の改善を示す。