WMRL: world model ускоряет обучение AutoResearch-агентов в 3–4 раза
WMRL: world model ускоряет обучение AutoResearch-агентов в 3–4 раза Исследователи из UIUC и Amazon представили World Model RL (WMRL) — способ масштабировать reinforcement learning (обучение с подкреплением, когда агент улучшает поведение по наградам) для AutoResearch-агентов. Это системы, которые сами выдвигают гипотезы, пишут код и проводят эмпирические эксперименты. Главный bottleneck: генерация траекторий хорошо параллелится, а реальное выполнение в песочнице занимает отдельное время и ресурсы машины. WMRL заменяет исполнение на предсказания world model (модели мира, которая симулирует последствия действий). Чтобы справиться с неточностями модели, добавлены Online Debiasing (коррекция систематического смещения) и Inverse-Variance Denoising (подавление шума). На практике обучение ускоряется в 3–4 раза. Пост-обученные агенты 4B и 9B параметров обходят открытые модели 48B и 120B на отложенных бенчмарках. Метод переносится и на embodied VLA-политики (vision-language-action — модели, связывающие зрение, язык и действия роботов). Это практический инструмент для более дешёвого автономного научного поиска, где вычислительные затраты больше не растут линейно с длиной экспериментов. Источники: https://arxiv.org/abs/2608.12564 #AI #WorldModels #AutoResearch #RL #AgenticAI #Amazon