Hacker News · AI· sundw·· 13 時間前厳選AI スコア60
強化学習とツール呼び出しで小型モデルを訓練し、ロボットの時相論理プランニングを実現
From Words to Waypoints: Teaching a Small LLM to Plan for Robots
AI ガイド
著者はツール呼び出しとGRPO強化学習を活用し、信号時相論理（STL）に基づくロボットの階層的経路計画タスクを実行できるようQwen3.5-9Bを訓練することに成功した。
推薦理由
原文では、幾何計算ツールと教師蒸留を組み合わせることで、小型モデルが強化学習プランニングにおいて幾何計算ミスにより報酬ゼロの行き詰まりに陥るのを防げることを示している。
出典：Hacker News · AI · daweisun.me