Buchumschlag

Reinforcement Learning is all You Need

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Lian, Yongsheng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Attention Is All You Need But You Don't Need All Of It For Inference of Large Language Models
von: Tyukin, Georgy, et al.
Veröffentlicht: (2024)

You Need Better Attention Priors
von: Litman, Elon, et al.
Veröffentlicht: (2026)

Response-Level Rewards Are All You Need for Online Reinforcement Learning in LLMs: A Mathematical Perspective
von: He, Shenghua, et al.
Veröffentlicht: (2025)

Block Rotation is All You Need for MXFP4 Quantization
von: Shao, Yuantian, et al.
Veröffentlicht: (2025)

More Compute Is What You Need
von: Guo, Zhen
Veröffentlicht: (2024)

More Agents Is All You Need
von: Li, Junyou, et al.
Veröffentlicht: (2024)

Attention Is Not All You Need: The Importance of Feedforward Networks in Transformer Models
von: Gerber, Isaac
Veröffentlicht: (2025)

Think When You Need: Self-Adaptive Chain-of-Thought Learning
von: Yang, Junjie, et al.
Veröffentlicht: (2025)

Tensor Product Attention Is All You Need
von: Zhang, Yifan, et al.
Veröffentlicht: (2025)

Attention Smoothing Is All You Need For Unlearning
von: Zade, Saleh Zare, et al.
Veröffentlicht: (2026)

Confidence Is All You Need: Few-Shot RL Fine-Tuning of Language Models
von: Li, Pengyi, et al.
Veröffentlicht: (2025)

When Actions Teach You to Think: Reasoning-Action Synergy via Reinforcement Learning in Conversational Agents
von: Rawat, Mrinal, et al.
Veröffentlicht: (2025)

You Only Need Minimal RLVR Training: Extrapolating LLMs via Rank-1 Trajectories
von: Wei, Zhepei, et al.
Veröffentlicht: (2026)

Memory Is All You Need: Testing How Model Memory Affects LLM Performance in Annotation Tasks
von: Timoneda, Joan C., et al.
Veröffentlicht: (2025)

You Don't Need Prompt Engineering Anymore: The Prompting Inversion
von: Khan, Imran
Veröffentlicht: (2025)

Synthetic Data RL: Task Definition Is All You Need
von: Guo, Yiduo, et al.
Veröffentlicht: (2025)

Attention Is All You Need for KV Cache in Diffusion LLMs
von: Nguyen-Tri, Quan, et al.
Veröffentlicht: (2025)

One Model is All You Need: ByT5-Sanskrit, a Unified Model for Sanskrit NLP Tasks
von: Nehrdich, Sebastian, et al.
Veröffentlicht: (2024)

Attention Score is not All You Need for Token Importance Indicator in KV Cache Reduction: Value Also Matters
von: Guo, Zhiyu, et al.
Veröffentlicht: (2024)

Maestro: Reinforcement Learning to Orchestrate Hierarchical Model-Skill Ensembles
von: Wu, Jinyang, et al.
Veröffentlicht: (2026)

Reformulation is All You Need: Addressing Malicious Text Features in DNNs
von: Jiang, Yi, et al.
Veröffentlicht: (2025)

An Extra RMSNorm is All You Need for Fine Tuning to 1.58 Bits
von: Steinmetz, Cody, et al.
Veröffentlicht: (2025)

All You Need is One: Capsule Prompt Tuning with a Single Vector
von: Liu, Yiyang, et al.
Veröffentlicht: (2025)

Guidance is All You Need: Temperature-Guided Reasoning in Large Language Models
von: Gomaa, Eyad, et al.
Veröffentlicht: (2024)

Evidence Is All You Need: Ordering Imaging Studies via Language Model Alignment with the ACR Appropriateness Criteria
von: Yao, Michael S., et al.
Veröffentlicht: (2024)

Intrinsic Fingerprint of LLMs: Continue Training is NOT All You Need to Steal A Model!
von: Yoon, Do-hyeon, et al.
Veröffentlicht: (2025)

Similarity is Not All You Need: Endowing Retrieval Augmented Generation with Multi Layered Thoughts
von: Gan, Chunjing, et al.
Veröffentlicht: (2024)

SecEncoder: Logs are All You Need in Security
von: Bulut, Muhammed Fatih, et al.
Veröffentlicht: (2024)

Evaluation is All You Need: Strategic Overclaiming of LLM Reasoning Capabilities Through Evaluation Design
von: Sun, Lin, et al.
Veröffentlicht: (2025)

Are Retrials All You Need? Enhancing Large Language Model Reasoning Without Verbalized Feedback
von: Potamitis, Nearchos, et al.
Veröffentlicht: (2025)

SynthDST: Synthetic Data is All You Need for Few-Shot Dialog State Tracking
von: Kulkarni, Atharva, et al.
Veröffentlicht: (2024)

Complementary Reinforcement Learning
von: Muhtar, Dilxat, et al.
Veröffentlicht: (2026)

One size doesn't fit all: Predicting the Number of Examples for In-Context Learning
von: Chandra, Manish, et al.
Veröffentlicht: (2024)

You Didn't Have to Say It like That: Subliminal Learning from Faithful Paraphrases
von: Gisler, Isaia, et al.
Veröffentlicht: (2026)

General Preference Reinforcement Learning
von: Umer, Muhammad, et al.
Veröffentlicht: (2026)

Geometry is All You Need: A Unified Taxonomy of Matrix and Tensor Factorization for Compression of Generative Language Models
von: Xu, Mingxue, et al.
Veröffentlicht: (2024)

TTRL: Test-Time Reinforcement Learning
von: Zuo, Yuxin, et al.
Veröffentlicht: (2025)

Reinforcement Learning from Denoising Feedback
von: He, Qi, et al.
Veröffentlicht: (2026)

Relevance Isn't All You Need: Scaling RAG Systems With Inference-Time Compute Via Multi-Criteria Reranking
von: LeVine, Will, et al.
Veröffentlicht: (2025)

Can't Remember Details in Long Documents? You Need Some R&R
von: Agrawal, Devanshu, et al.
Veröffentlicht: (2024)