論文の概要: Anchor-and-Harvest Curriculum: A Fully Unmasked Non-LLM Curriculum for Craftax
- arxiv url: http://arxiv.org/abs/2610.15328v1
- Date: Sun, 11 Oct 2026 04:07:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.189042
- Title: Anchor-and-Harvest Curriculum: A Fully Unmasked Non-LLM Curriculum for Craftax
- Title（参考訳）: Anchor-and-Harvest Curriculum: クラフトクスのための完全に非LLMカリキュラム
- Abstract要約: 本稿では,Anchor-and-Harvest Curriculum (AHC)を紹介した。
AHCは達成指向のタスク、収穫された初期状態の進捗、難易度適応、境界選択、オリジナルタスクのプラクティスを組み合わせたものだ。
AHCと3つの14Bの診断構成は、報告された80B DiCode平均値45.88、48.55の235B平均値以下で集計リターンに達する。
- 参考スコア（独自算出の注目度）: 0.6853912853826399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Anchor-and-Harvest Curriculum (AHC), a domain-informed, rule-based training system for Craftax-Full. AHC combines achievement-oriented tasks, harvested initial-state progress, difficulty adaptation, bounded selection, and original-task practice. It uses no LLM inference and keeps all 43 actions available. At 2,005,401,600 PPO rollout transitions, three primary AHC runs obtain native-task return $46.70\pm0.57$ (sample SD), compared with $41.91\pm1.01$ for fresh native PPO-GTrXL with the same student architecture and evaluation protocol. Evaluation uses ten stochastic rollouts on each of 1024 fixed worlds per model. An additional cohort of three AHC runs reaches $46.08\pm1.23$. Two single-component ablations retain similar mean returns, while jointly freezing difficulty and removing inherited progress gives $45.14\pm2.79$. All-67-achievement profiles show that most of the return difference comes from Intermediate achievements, while the deepest-floor achievements remain unsolved. A Skill-Preflight diagnosis with a 14B teacher shows how prerequisite and floor-access constraints restrict practice. AHC and three 14B diagnostic configurations reach aggregate returns near the reported 80B DiCode mean of 45.88 and below the 235B mean of 48.55. These results show that an explicit curriculum without LLM inference can reach returns comparable to those reported for LLM-generated curricula on Craftax-Full, without action masking.
- Abstract（参考訳）: 本稿では,Anchor-and-Harvest Curriculum (AHC)を紹介した。
AHCは達成指向のタスク、収穫された初期状態の進捗、難易度適応、境界選択、オリジナルタスクのプラクティスを組み合わせたものだ。
LLM推論は使用せず、43のアクションをすべて利用可能にしている。
2,005,401,600 PPOのロールアウトトランジションでは、3つの主要なAHCランが4,6.70 pm0.57$(サンプルSD)のネイティブタスクを返す。
評価には、1024の固定された世界ごとに10の確率的なロールアウトを使用する。
3つのAHCランのコホートは46.08\pm1.23$に達した。
2つの単一成分のアブレーションは、同様の平均的なリターンを維持し、共同で凍結し、継承された進行を除去すると45.14\pm2.79$が与えられる。
All-67-achievementプロファイルによると、リターンの違いのほとんどは中間的な成果によるものだが、最も深いフロアの成果は未解決のままである。
14B教師によるスキル・プレライトの診断は、必要条件とフロア・アクセシビリティの制約がいかに実践を制限するかを示す。
AHCと3つの14Bの診断構成は、報告された80B DiCode平均値45.88、48.55の235B平均値以下で集計リターンに達する。
これらの結果から, LLM推論のない明示的なカリキュラムは, Craftax-Full上でのLCM生成カリキュラムに比較して, アクションマスキングを行なわずにリターンに達することが示唆された。
関連論文リスト
- Distribution-Conditioned Task Routing for Class-Incremental Learning [78.62212417481155]
クラスインクリメンタル推論では、各入力をすべてのクラスに分類する必要がある。
これは、破滅的な忘れ物を超えた、重要なタスクルーティングの課題をもたらす。
学習者を再訓練したり、個別に訓練されたルータを導入することなく、ホック後のタスクルーティングについて検討する。
論文 参考訳（メタデータ） (2026-09-28T07:48:15Z) - Learning to Follow In-Context Watermark Instructions via Self-Distillation [117.19153619258644]
In-context Watermarking (ICW) は、モデルに統計的に検出可能な信号をその応答に埋め込むよう要求するクエリへの命令をプリペイドする。
我々は、3つの検証可能なICW命令ファミリのベンチマークである$mathsfICWBench$を導入し、それぞれが検出性と応答品質の両方にスコア付けする。
本研究では,より強いモデルからの蒸留を必要とせず,手動のアノテーションも必要とせず,既存のICW IF能力も必要としない自己完結型2段階訓練法を提案する。
論文 参考訳（メタデータ） (2026-08-29T03:42:28Z) - TACIT-Switch: Cost-Aware Model Escalation for LLM Agents from Censored Supervision [2.681967953218225]
より小さな言語モデルバックボーンを持つエージェントは永続的な障害モードにドリフトできるが、より大きなバックボーンを持つエージェントは一般的により信頼性が高いがよりコストがかかる。
この信頼性の高いトレードオフは、より大きなバックボーンを持つエージェントをいつ呼び出すかを決定するルーティングメソッドを動機付けます。
提案手法であるTACIT-SWITCHは,蓄積された軌跡の証拠から永久的ハンドオフポリシーを学習する。
論文 参考訳（メタデータ） (2026-08-28T04:33:11Z) - MSA-CITE: A Co-Adapted LoRA Specialist Ecology for Fixed-Budget Small-Model Inference [11.215813718564283]
複数の廃棄されたチェックポイントを、デプロイのための構成可能な資産として扱います。
4パスのポートフォリオは、200のホールドアウト数学アイテムに対して65.5%の精度を達成している。
論文 参考訳（メタデータ） (2026-08-11T10:26:06Z) - BRiG-AFA: Bellman Risk-to-Go Learning for Non-Myopic Active Feature Acquisition [8.363536351727978]
アクティブな機能取得は、予算の下で各テストインスタンスの次を計測する観測されていない機能を要求する。
本稿では,残予算毎に個別の候補条件付きリスク・ツー・ゴー関数を学習する,デプロイ可能な教師付き代替手段であるメソッドを導入する。
論文 参考訳（メタデータ） (2026-08-03T14:30:44Z) - xHC: Expanded Hyper-Connections [66.01585568493898]
ハイパーコネクション(HC)はトランスフォーマーの残余ストリームを$N$並列ストリームに拡張する。
既存のHCファミリーメソッドは通常、$N=4$で停止する。
N=4$を超える有意義な拡張を実現するための最初のHCファミリー法であるxHCを提案する。
論文 参考訳（メタデータ） (2026-07-16T03:31:03Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - CORE: Collaborative Reasoning via Cross Teaching [11.841736034560187]
Collaborative Reasoning (CORE)は、ピア成功を学習信号に変換するトレーニングタイムコラボレーションフレームワークである。
GSM8K, MATH, AIME, GPQAの4つの標準推論データセットでCOREを評価する。
論文 参考訳（メタデータ） (2026-01-29T12:07:54Z) - Training Large Language Models for Reasoning through Reverse Curriculum Reinforcement Learning [54.585428241509234]
逆カリキュラム強化学習(RL)によるR$3の学習推論を提案する。
RLは、大規模言語モデルのプロセス監視の利点を達成するために、結果監視のみを採用する。
論文 参考訳（メタデータ） (2024-02-08T16:46:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。