Trening
RLCD
2026AktywnyAktualizacja: 17 września 2026Opublikowany
Autorska metoda treningu TypeSafe AI, optymalizująca odpowiedzi o skalibrowanych prawdopodobieństwach (kontra RLHF/RLVR); użyta do wytrenowania modeli System One (Jev).
Kluczowa
innowacja
Trening optymalizujący nie tekst, lecz skalibrowane, „epistemicznie uczciwe" prawdopodobieństwa decyzji — prawdopodobieństwa dopasowywane do rzeczywistych wyników, a nie do preferencji ludzi.
Kategoria
Trening
Poziom abstrakcji
Wzorzec
Poziom operacji
Po-treningTrening
Zastosowania
Trening modeli decyzyjnych (System One / Jev)Automatyzacja decyzji w oprogramowaniu z progami zaufaniaRouting spraw do człowieka lub modelu rozumującego na podstawie kalibracji
Jak działa
Zamiast sygnału nagrody opartego na preferencjach ludzi (RLHF) lub weryfikowalnych nagrodach zadaniowych (RLVR), RLCD używa sygnału premiującego kalibrację: prawdopodobieństwa przypisywane decyzjom są optymalizowane względem rzeczywistych wyników, tak by na dużych grupach predykcji odpowiadały obserwowanej częstości poprawności. Efektem są modele zwracające typowane decyzje (np. wybór, ocena, wartość logiczna) wraz z wiarygodnym poziomem zaufania.
Rozwiązany problem
Modele językowe trenowane pod preferencje ludzi bywają nadmiernie pewne i słabo skalibrowane, co utrudnia automatyczne, bezpieczne decyzje w oprogramowaniu; RLCD ma dawać prawdopodobieństwa odzwierciedlające rzeczywistą niepewność.
Ewolucja
Oryginalny paper · 2026 · TypeSafe AI (blog) · Diogo Almeida
Introducing System One Models and Jev
Diogo Almeida
2026
RLCD i modele System One (TypeSafe AI)
Punkt przełomowyOgłoszenie metody RLCD wraz z modelem Jev we wrześniu 2026 r.