Investigadores de Princeton y Berkeley amplían el aprendizaje por empoderamiento
El estudio usa aprendizaje de habilidades para ampliar las opciones de agentes en simulaciones complejas.
Período del evento / de los datos: 2026-10-09
Publicado: · Actualizado:
Investigadores de Princeton y de la Universidad de California en Berkeley publicaron el 9 de octubre un método para estudiar a mayor escala el empoderamiento de los agentes. Estima cuántas habilidades ejecutables están disponibles desde un estado y entrena una política para alcanzar estados que ofrecen más opciones.
En Craftax-Classic, los autores informan que los agentes lograron entre siete y ocho de 22 objetivos por trayectoria tras mil millones de pasos del entorno. El artículo también describe conductas emergentes en simulación, como construir un refugio. Son resultados ligados a entornos y métricas concretos; no demuestran autonomía general ni rendimiento en robots reales.
Datos
Alcance del estudio
Presupuesto de entrenamiento del experimento Craftax-Classic; no es una medida del mundo real
| Pasos del entorno de entrenamiento | 1000000000 | 2026-10-09 |
Metodología
Cifra del alcance experimental indicado en el artículo; no es una estadística nacional ni un resultado de campo.
Actualizado:
Temas y lugares
Propuestas temáticas
- Ciencia y tecnologíaSugerido
- Preserved editorial category/topic; broad candidate onlyarxiv.org ↗
Referencias geográficas
Solo se muestran referencias geográficas proporcionadas por la fuente. Abrir un mapa externo es opcional. Los mapas opcionales usan OpenStreetMap. Al abrirlos se envían tu dirección IP y la de este sitio al proveedor; los datos de ubicación pueden leerse sin cargar el mapa.
- Estados Unidos · Función del lugar: Cobertura · Tipo de lugar: País o área · Precisión de ubicación: RegionalEvidencia
- Explicit preserved editorial country/region; no city or national centroid inferredarxiv.org ↗