arXiv · 11.06.2026 ·ИИ-агенты и оркестрация

DoorDash адаптирует веса целей в трёхстороннем маркетплейсе через RL

Исследователи из DoorDash представили систему reinforcement learning, которая адаптирует веса целей в трёхстороннем маркетплейсе (курьеры, заказчики, рестораны) на основе задержанной обратной связи. Система оценивает решения по таким метрикам, как скорость доставки, использование курьеров и загруженность ресторанов.

Ключевая особенность подхода — использование задержанной обратной связи для адаптации весов целей. Это позволяет системе учитывать долгосрочные последствия решений, что особенно важно в динамичных средах, таких как доставка еды.

Система уже развернута в производственной среде DoorDash, что демонстрирует её практическую применимость. Это важно для разработки ИИ-агентов, так как показывает, как можно использовать RL для оптимизации сложных процессов с множеством участников и задержанной обратной связью.

Для Jarv этот подход может быть полезен в контексте оркестрации агентов и управления их взаимодействиями. Адаптация весов целей на основе обратной связи может помочь в оптимизации работы агентов в сложных средах с множеством участников и задержанной обратной связью.

Источник: arXiv

Похожие материалы

arXiv · Обучение ИИ-агентов Новый метод для эффективного онлайн-обучения визуально-языковых агентов Исследователи предложили новый подход к онлайн-обучению визуально-языковых агентов (VLA) с использованием методов reinforcement learning (RL). В статье, опубликованной на arXiv, они описывают метод Hierarchical Advantage Weighting (HAW), который решает проблему редких и неинформативных сигналов обратной связи в процессе обучения. arXiv · Обучение ИИ-агентов Новый метод обучения LLM через промежуточное RL Исследователи предложили новый подход к обучению языковых моделей (LLM) с использованием reinforcement learning (RL) на промежуточном этапе обучения. В статье, опубликованной на arXiv, авторы показывают, что традиционные методы RL с редкими наградами (sparse reward RL) сильно зависят от начальной подготовки модели. Hugging Face - Blog · Инференс и железо Синхронизация дельта-весов для запуска гигантских моделей Команда Hugging Face представила новую технологию Delta Weight Sync в TRL (Transformers Reinforcement Learning), которая позволяет эффективно синхронизировать веса моделей с триллионами параметров. Это особенно важно для локального запуска крупных моделей, где традиционные методы требуют значительных вычислительных ресурсов. Hugging Face - Blog · AI-агенты и адаптивные среды Ecom-RLVE: адаптивные среды для чат-ботов в e-commerce Исследователи представили Ecom-RLVE — фреймворк для создания адаптивных и проверяемых сред обучения для чат-ботов в сфере e-commerce. Это решение позволяет создавать динамические среды, которые могут адаптироваться к изменениям в данных и поведении пользователей, что критически важно для разработки ИИ-агентов, работающих в условиях высокой изменчивости. Hugging Face - Blog · Оптимизация предпочтений в ИИ-агентах Direct Preference Optimization за пределами чатботов Исследователи из Dharma AI представили новый подход к Direct Preference Optimization (DPO), который выходит за рамки традиционных чатботов. В статье на Hugging Face они демонстрируют, как DPO может быть применён для улучшения поведения ИИ-агентов в более сложных сценариях, включая многозадачные и интерактивные системы. arXiv · ИИ-агенты и предсказание действий LaWAM: моделирование будущего для роботов с помощью ИИ Исследователи из MIT и других ведущих университетов представили новый подход к созданию роботов, способных предсказывать последствия своих действий. В статье LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies авторы предлагают использовать модели, которые учитывают, как действия робота изменят окружающую среду. Это позволяет роботам принимать более осознанные решения, что критически важно для автономных агентов. arXiv · Контекст-осознанное обучение для ИИ-агентов ContextRL: контекст-осознанное обучение для улучшения работы ИИ-агентов Исследователи из MIT и других ведущих университетов представили новый метод ContextRL, который улучшает способность языковых моделей (LLM) работать с длинными и сложными контекстами. Проблема заключается в том, что традиционные LLM часто не могут выделить ключевые детали в объемных данных, будь то строка в логах или мелкий элемент на изображении. ContextRL использует методы подкрепляющего обучения (RL), чтобы улучшить долгосрочное рассуждение и работу с мультимодальными данными. arXiv · ИИ-агенты и память ReGrad: постобучение без потери знаний Исследователи из MIT и Google Research предложили новый подход к постобучению моделей, который решает проблему накопления весового дрейфа. В работе «Retrievable Gradients: Continual Post-Training Without Cumulative Weight Drift» авторы вводят концепцию ReGrad — метода, позволяющего моделям обновляться после развертывания без потери ранее усвоенных знаний. Hacker News · Оркестрация и интенты Intent-Driven Delivery для агентов Разработчики из Tacoda представили концепцию Intent-Driven Delivery — подхода к оркестрации задач для ИИ-агентов. В отличие от традиционных систем, где агент выполняет последовательность шагов, Intent-Driven Delivery фокусируется на конечных целях пользователя, позволяя агенту гибко адаптировать стратегию выполнения. arXiv · Оркестрация ИИ-агентов OrchRM: самонастраиваемая оркестрация для ИИ-агентов Исследователи предложили OrchRM — фреймворк для самонастраиваемой оркестрации ИИ-агентов. Проблема в том, что традиционные подходы требуют ручного аннотирования и дорогостоящих вычислений. OrchRM решает это, используя самонастраиваемую модель вознаграждений, которая оценивает качество оркестрации без участия человека.

← Все материалы