Des chercheurs de Princeton et Berkeley passent à l’échelle l’apprentissage de l’autonomisation
L’étude s’appuie sur l’apprentissage de compétences pour accroître les options d’agents dans des simulations complexes.
Période de l’événement / des données: 2026-10-09
Publié: · Mis à jour:
Des chercheurs de Princeton et de l’Université de Californie à Berkeley ont publié le 9 octobre une méthode pour étudier à plus grande échelle l’« empowerment » des agents. Elle estime le nombre de compétences exécutables depuis un état, puis entraîne une politique à atteindre des états offrant davantage d’options.
Dans Craftax-Classic, les auteurs indiquent que les agents ont obtenu sept à huit des 22 accomplissements par trajectoire après un milliard de pas d’environnement. L’article décrit aussi des comportements émergents en simulation, comme la construction d’un abri. Ces résultats dépendent d’environnements et de mesures précis; ils ne démontrent ni autonomie générale ni performances en robotique réelle.
Données
Périmètre de l’étude
Budget d’entraînement de l’expérience Craftax-Classic ; pas une mesure du monde réel
| Pas d’environnement d’entraînement | 1000000000 | 2026-10-09 |
Méthodologie
Nombre indiqué par l’article pour le périmètre expérimental ; ce n’est ni une statistique nationale ni un résultat de terrain.
Mis à jour:
Sujets et lieux
Sujets proposés
- Science et technologieProposé
- Preserved editorial category/topic; broad candidate onlyarxiv.org ↗
Références géographiques
Seules les références géographiques présentes dans la source sont affichées. L’ouverture d’une carte externe est facultative. Les cartes facultatives utilisent OpenStreetMap. Leur ouverture transmet votre adresse IP et celle de ce site au fournisseur ; les coordonnées restent lisibles sans charger la carte.
- États-Unis · Rôle du lieu: Couverture · Type de lieu: Pays ou territoire · Précision de localisation: RégionaleÉléments probants
- Explicit preserved editorial country/region; no city or national centroid inferredarxiv.org ↗