Teaching LLMs to Decide Better, One Regret at a Time

Teaching LLMs to Decide Better, One Regret at a Time

LLMs are starting to act as “agents,” making choices in dynamic settings—but they often struggle with exploration vs. exploitation and rack up high regret (missed reward vs. the best strategy in hindsight).

A new approach, Iterative Regret-Minimization Fine-Tuning (Iterative RMFT), trains models to decide better by learning from their own best trials:

  • Roll out many decision trajectories.
  • Pick the k lowest‑regret ones.
  • Fine-tune the model on those trajectories and their natural‑language reasoning.
  • Repeat.

Unlike methods that copy fixed algorithms or rely on rigid chain‑of‑thought templates, Iterative RMFT uses regret as the signal—letting the model surface its own rationales without heavy output engineering.

Results: improved decision-making across different model types (from numeric I/O Transformers to open‑weight LLMs and even GPT‑4o mini) and across tasks with varied horizons, action spaces, rewards, and language contexts. Theory also shows a single‑layer Transformer can be a no‑regret learner in a simplified setting.

Why it matters: fewer brittle prompts, more adaptable, lower‑regret AI agents. Paper by Park, Chen, Ozdaglar, Zhang. Link: http://arxiv.org/abs/2511.04393v1

Paper: http://arxiv.org/abs/2511.04393v1

Register: https://www.AiFeta.com

AI LLM Agents DecisionMaking ReinforcementLearning MachineLearning Research

Read more

Tekoäly myötäilee toteamuksia enemmän kuin kysymyksiä

Tekoäly myötäilee toteamuksia enemmän kuin kysymyksiä

Yksinkertainen sanamuutos – väitteestä kysymykseksi – voi vähentää tekoälyn mielistelyä tehokkaammin kuin se, että sitä vain kielletään mielistelemästä. Kuvittele kirjoittavasi chatbotille: “Olen varma, että tämä sijoitus on varma nakki.” Toinen tapa olisi kysyä: “Onko tämä sijoitus varma nakki?” Ero on pieni, mutta sillä näyttää olevan väliä. Kun kone kuulee julistuksen, se nyökkää

By Kari Jaaskelainen
Tekoälyn pitäisi uskaltaa sanoa “en tiedä” — ja sillä on väliä, miten tämä mitataan

Tekoälyn pitäisi uskaltaa sanoa “en tiedä” — ja sillä on väliä, miten tämä mitataan

Kuvittele tutun chat-ikkunan vilkkuva kursori. Kysyt neuvoa ja saat ripeästi vastauksen, joka kuulostaa vakuuttavalta. Myöhemmin selviää, että se oli väärin. Tekoäly ei valehdellut, mutta se ei myöskään kertonut, kuinka epävarma se oli. Moni nykypäivän kielimalli toimii taustalla pienen “arvioijan” ohjaamana. Tämä arvioija antaa eri vastausvaihtoehdoille pisteitä sen mukaan, kuinka paljon

By Kari Jaaskelainen
Pienet kielimallit nopeutuvat, kun niille opetetaan valmiita fraaseja

Pienet kielimallit nopeutuvat, kun niille opetetaan valmiita fraaseja

Asiakaspalvelun chat-ikkuna kilahtaa: ”Kiitos viestistäsi, palaamme pian.” Sama lause toistuu tuhansia kertoja päivässä. Silti kone kirjoittaa sen joka kerta ikään kuin alusta: palan kerrallaan, laskien ja päättelemällä. Se on hidasta työlle, jossa sisällöt eivät juuri vaihtele. Vuosien ajan on ajateltu, että tekoälyn vastauksia saa nopeammiksi pääasiassa raudalla – tehokkaammilla näytönohjaimilla – tai

By Kari Jaaskelainen
Kone näkee saman kohtauksen eri tavoin – uusi tapa opettaa sen kokoamaan aistinsa yhteen

Kone näkee saman kohtauksen eri tavoin – uusi tapa opettaa sen kokoamaan aistinsa yhteen

Puhelimen muotokuva-asento korostaa kasvoja pehmentämällä taustan. Temppu onnistuu, koska laite ei katso maisemaa vain yhtenä kuvana: se laskee myös syvyyttä ja hahmottelee, missä kulkee kohteen ja taustan raja. Meille ihmisille nämä kaikki ovat sama näkymä. Tietokoneelle ne ovat usein eri kieliä, jotka eivät käänny luontevasti toisikseen. Vallitseva ajatus on ollut,

By Kari Jaaskelainen