論文の概要: Learning from an Imitable Teacher: Competition Solution for the MetaFine Challenge

• arxiv url: http://arxiv.org/abs/2611.00615v1
• Date: Sat, 31 Oct 2026 04:33:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:11:15.619617
• Title: Learning from an Imitable Teacher: Competition Solution for the MetaFine Challenge
• Title（参考訳）: イミタブルな教師から学ぶ:メタファインチャレンジの競争ソリューション
• Abstract要約: MetaFine Open Competitionはバイナリ成功以上の細かい操作を評価する。 このレポートでは、チームフライデーのソリューションが示され、総合スコア0.947で2位になった。 失敗エピソードを分析することで、ほとんど常に成功する教師が、記憶力のない学生に悪い教えを与えることができることがわかった。
• 参考スコア（独自算出の注目度）: 8.402744686964953
• License:
• Abstract: The MetaFine Open Competition (RoboFineMani workshop, CoRL 2026) evaluates fine-grained manipulation beyond binary success. Its five simulated tasks, from grasping a bottle by an instructed part to inserting letter-shaped pegs with 4 mm clearance, are scored on perception under lighting and camera changes, instruction understanding, and behavior. This report presents Team Friday's solution, which got second place with an overall score of 0.947, more than twice the $π_0$ baseline. Instead of fine-tuning a large vision-language-action (VLA) model, we train one 19M-parameter policy per task with a separate instruction classifier and focus on the data, all generated in the simulator by a privileged scripted teacher, including its corrections of the student's mistakes. By analyzing failed episodes, we find that a teacher that almost always succeeds can still teach a memoryless student badly: its pauses become stalls, its fixed habits become shortcuts, and it never shows the errors the student makes. Making the teacher \emph{imitable} raised the official score on letter insertion, the hardest task, from 0.44 to 0.82 with 32\% more data and the same architecture, and finally to 0.88. We summarize practical lessons on demonstration data and evaluation, which we hope will help in imitation learning for precise manipulation.
• Abstract（参考訳）: MetaFine Open Competition(RoboFineManiワークショップ、CoRL 2026)は、バイナリ成功以上の細かい操作を評価する。 その5つのシミュレートされたタスクは、指示された部分でボトルをつかむことから、4mmのクリアランスで文字の形をしたペグを挿入することまで、照明やカメラの変更、指示の理解、行動に対する認識に基づいて行われます。 このレポートでは、チームフライデーのソリューションが、総合スコア0.947で2位となり、π_0$ベースラインの2倍以上となった。 大規模な視覚言語アクション(VLA)モデルを微調整する代わりに、タスク毎に19Mパラメータポリシーを個別の命令分類器で訓練し、データにフォーカスする。 失敗エピソードを分析することで、ほとんど常に成功している教師が、記憶のない学生に悪い教えを与えることができることがわかりました。 教師 \emph{imitable} は文字挿入に関する公式スコアを 0.44 から 0.82 に引き上げ、32 %以上のデータと同じアーキテクチャ、最後に 0.88 に引き上げた。 我々は、実演データと評価に関する実践的な教訓を要約し、正確な操作のための模倣学習に役立つことを期待する。

関連論文リスト

• EduWild: How Teacher-Configured Chatbots Fail in Real-World Use and How to Fix Them [21.97612398656899]
  EduWildは、教師が設定した217のチャットボットと1,726の会話のデータセットである。 事実,ワークフロー,診断,教育的障害をカバーする29のコード分類法を開発した。 10のボットにわたる200人の大学生を対象にした調査では、このハーネスは会話毎のターゲット障害コードの平均数を減少させる。
  論文  参考訳（メタデータ） (2026-10-16T14:28:06Z)
• The Assistance Dilemma: Learning to Teach via Multi-Turn Reinforcement Learning [49.94760727418966]
  シミュレーション学生に対する強化学習(RL)は、教育を改善するための有望なアプローチである。 既存のRL学習教師は、教師の言葉をまだ文脈に残して、教師問題で生徒の成功に報いる。 学生は、教師の発話をマスクした教師問題の見当たらない変種でテストする。 これにより、生徒の認知障害を回避し、連続的なペナルティを2つの二分報酬ゲートに置き換えることができる。
  論文  参考訳（メタデータ） (2026-10-05T14:50:58Z)
• MisconceptDialogue: Evaluation Criteria Shape Measured Success in LLM Math Tutoring [6.805633422680383]
  大型の言語モデルは数学の家庭教師としてますます使われている。 1つのLCMが学生の誤りを検出し、その根底にある誤解を診断し、マルチターン対話を通して再解釈できるのか? MISCONCEPTDIALOGUEは,5つのオープンウェイトLLMチュータ上で完全なパイプラインを実行する,完全に自動化されたフレームワークである。
  論文  参考訳（メタデータ） (2026-10-01T05:48:24Z)
• StudentSim: Training LLM-based Student Simulators [67.06331010637008]
  StudentSimは、学生ごとのスパースデータを個別のシミュレータに変えるトレーニングフレームワークである。 その結果、シミュレーターは学生自身の反応を反映し、教師指導の下でそれらを更新する。 3つの領域全体で、StudioSimは両方のメトリクスでGPT-5.4を上回っている。
  論文  参考訳（メタデータ） (2026-09-01T17:55:10Z)
• Staged Depth-Pruning Distillation of a Flow-Matching Text-to-Speech Teacher: A Compact Hindi Speech Synthesizer [0.0]
  本稿では, 高精度なデータ予算の下で, コンパクトなHindiテキスト音声合成モデルを構築するための実践的レシピを提案する。 教師の幅, テキスト次元, 注意頭, メル/テキストI/Oを固定したまま, 奥行きのみを刻むことで, 教師から学生を温め始める。 この方法は6GBのラップトップGPUでリアルタイムで動く高品質のヒンディー語音声を生成する。
  論文  参考訳（メタデータ） (2026-07-19T11:20:25Z)
• Simulating Students' Java Programming Errors with Large Language Models [7.543318372822572]
  本稿では,大規模言語モデル(LLM)が,コード入力における現実的な論理的誤りをシミュレートすることにより,学生にとってスケーラブルなプロキシとして機能するかどうかを考察する。 74,000以上の学生Javaを37の問題を対象とするCodeWorkoutデータセットを用いて,3つの主要なプロンプト戦略の下で5つのLSMを評価した。 我々の定量的発見によると、全てのモデルが多様なエラーを発生させる一方で、人間の提出に対するアライメントは多様化している。
  論文  参考訳（メタデータ） (2026-06-12T04:51:49Z)
• BD at BEA 2025 Shared Task: MPNet Ensembles for Pedagogical Mistake Identification and Localization in AI Tutor Responses [0.7475784495279183]
  本稿では,AIを活用したチュータの教育能力評価に関するBEA 2025共有タスクについて紹介する。 我々のシステムは、BERTとXLNetの事前学習の利点を組み合わせたトランスフォーマーベースの言語モデルMPNet上に構築されている。 提案手法は両トラックにおいて, 一致マクロF1スコアが約0.7110, ミステイク同定が約0.5543, 公式テストセットが0.5543であった。
  論文  参考訳（メタデータ） (2025-06-02T15:57:49Z)
• Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
  大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。 LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。 教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
  論文  参考訳（メタデータ） (2024-07-12T10:11:40Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Learning From Mistakes Makes LLM Better Reasoner [106.48571828587728]
  大規模言語モデル(LLM)は、最近数学の問題を解く際、顕著な推論能力を示した。 この研究は、LLMが人間の学習プロセスに似たMistAkes(LEMA)から学習できるかどうかを探求する。
  論文  参考訳（メタデータ） (2023-10-31T17:52:22Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)

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。