Decision Modelの課題と強化学習｜はち

1. はじめに最近、TypeSafeのJevをはじめとするDecision Modelをよく見かけるようになりました。文章を生成せず、選択肢ごとの確率を1回の計算で返すモデルです。LLMよりかなり速く安く呼べるということで、例えば以下のようなマリオのデモなどが公開されています。 Jevがマリオの1-1をクリアするデモ（jev-marioのREADMEより）デモの動画を見ると、モデルがジャンプのタイミングを1つずつ判断してゴールまで進んでいるように見えます。一方で、実際に入力を読んでみると、機械的に選べてしまう問いを、わざわざモデルに解かせているだけ、というものが多いことに気付きました。 そこで、以下の2点を試してみました。 Decision Modelは、こうした盤面先の予測は可能なのか LLMと同じようにGRPOで強化学習して身につけさせられるのではないか 現状のDecision Mod

[nemoba]

IF文で動くことを書くと精度高く動くけど、それIF文で良くない？っていうそれか

[nguyen-oi]

「AIが凄い」んじゃなくて「前処理した人間が凄い」だけか。テック系の誇大広告は様式美