AI Aulis

AI-NYHETER PÅ SVENSKA · 14 november 2026

De viktigaste AI-nyheterna varje morgon. AI skriver och granskar artiklarna mot originalkällorna – kontrollera viktiga uppgifter i källorna.

← Numret 14 november 2026Tidningen

Förhandspublicering: Beslutsmodellen JEV, svag som aktör, lärde upp liten modell i textuppgifter

AI-genererat innehållSkriven av AI

arXiv, github.com, huggingface.co, alphaxiv.org · 4 källor · Källornas publiceringsdatum: 12 november 2026 · Publiceringstidpunkten är okänd för vissa källor

Enligt forskare vid Zhejianguniversitetet och Baidu kan en beslutsmodell som själv klarar uppgifterna dåligt ändå ge användbar återkoppling vid förstärkningsinlärning. Det gäller när den efter hela förloppet bedömer om varje handling hjälpte till att nå målet.

Forskarna publicerade resultaten på arXiv den 12 november. Det är en förhandspublicering som inte har referentgranskats.

En beslutsmodell är en förtränad modell som inte skriver fri text. Den väljer till exempel bland givna alternativ och ger varje alternativ en sannolikhet. Forskarna jämförde tre beslutsmodeller och tre stora språkmodeller som fick samma frågor i den textbaserade miljön ALFWorld, där en agent utför hushållssysslor. Bara JEV testades som lärare, i ALFWorld och i WebShop, som efterliknar en nätbutik.

Modellerna användes i tre roller. Som aktör väljer modellen agentens nästa handling, som bedömare poängsätter den handlingarna i ett sparat förlopp och som lärare handlingarna hos modellen som tränas.

Aktören väljer det enklare delmålet

Alla sex modeller lyckades mer sällan som aktörer när delmålen måste utföras i ordning, till exempel att värma en mugg innan den ställs på bordet. TypeSafe AI:s slutna JEV klarade 70,8 procent av uppgifterna där delmålen fick utföras i valfri ordning, men bara 14,7 procent av dem som krävde en viss ordning.

Modellerna kände ändå till det steg som krävdes, säger forskarna. I lägen där en enda handling hade uppfyllt det enklare delmålet steg JEV:s sannolikhet för det nödvändiga steget från 14,6 procent till 77,6 procent när delmålet togs bort ur uppgiftsbeskrivningen. När prompten påminde om beroendet ändrades andelen lyckade uppgifter bara med mellan −2,8 och +5,2 procentenheter.

I bedömningen var frågans form avgörande

Bedömaren såg antingen förloppet fram till den handling som skulle bedömas eller hela förloppet. Den fick frågan antingen om uppgiften lyckas eller om handlingen hjälpte till att nå målet. När JEV såg hela förloppet och fick nyttofrågan gav den handlingar som nådde ett delmål 0,36 högre poäng än handlingar i samma förlopp som inte ändrade något. Med lyckandefrågan var skillnaden 0,05, eftersom svaret då är detsamma för varje handling, nämligen slutresultatet.

Som lärare poängsatte JEV varje handling som Qwen2.5-modellerna med 1,5 och 7 miljarder parametrar utförde i träningsförloppen. Forskarna satte poängen i relation till medelvärdet för förloppen i samma uppgift och lade till dem i signalen i metoden GRPO, som annars ger alla handlingar samma värde utifrån slutresultatet.

Tabellen visar andelen lyckade uppgifter för de tränade modellerna. Som aktör klarade JEV 42,9 procent av samma ALFWorld-uppgifter.

Träning ALFWorld WebShop
GRPO, 1,5B 72,8 56,8
Hela förloppet + lyckande, 1,5B 69,3 68,3
Hela förloppet + nytta, 1,5B 82,9 71,4
GRPO, 7B 77,6 66,1
Hela förloppet + nytta, 7B 83,8 73,6

Källa: förhandspubliceringens tabell 3, andel lyckade uppgifter i procent.

Enligt en AI-genererad sammanfattning i tjänsten alphaXiv är siffrorna medelvärden av tre utvärderingskörningar, och GRPO-siffrorna är hämtade från GiGPO-publikationen utan att ha körts om.

Författarna förklarar att bedömaren i efterhand ser konsekvenser som aktören skulle behöva förutse. Experimentet visar dock inte att förbättringen beror enbart på detta, uppger samma sammanfattning.

Begränsningar och tillgänglighet

Resultaten gäller två textmiljöer där ett förlopp har högst 30 handlingar. Enligt författarna passar beslutsmodeller sämre för att filtrera handlingar mitt i ett förlopp, eftersom slutet då ännu inte syns.

JEV:s poäng hämtades via OpenRouter och kostade 22–30 dollar per träningskörning. Läraren behövs inte när den färdiga modellen används. Koden finns på GitHub under licensen Apache 2.0.

Tidigare om ämnet

Anmäl ett fel i artikeln