Teaching LLMs to Decide Better, One Regret at a Time

Share
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

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Uusi vertailu näyttää, että tekoälyn tapa muotoilla järjestelmävaatimuksia luonnollisen kielen kysymyksiksi vaihtelee mallin ja aiheen mukaan. Siksi tärkeintä ei ole valita ”parasta” mallia, vaan tilanteeseen sopiva. Kuvitellaan tuttu kokous: pöydän ääressä yritetään päättää, mitä uuden tietojärjestelmän pitää pystyä tekemään. Syntyy lista kysymyksiä, joihin järjestelmän on osattava vastata. Esimerkiksi: ”Mitkä lääkkeet

By Kari Jaaskelainen
Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Kun tutkija jättää työpöytänsä, hänen äänensä ei välttämättä vaikene. Pelkistä julkaisuista voidaan jo rakentaa tekoäly, joka ohjaa väitöskirjaa, arvioi artikkeleita ja väittelee paneelissa – uskottavasti. Useimmat meistä ajattelevat tutkimusartikkeleita kirjastoiksi: hyllyriveiksi ajatuksia, joihin muut voivat palata. Uusi arXivissa julkaistu esityspaperi ehdottaa toisenlaista kuvaa. Julkaisut ovatkin rakennuspiirustuksia, joista voidaan koota tekijänsä ajattelutapa

By Kari Jaaskelainen
Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Moni tietää tunteen seminaarin päätteeksi: ohjelma oli kiinnostava, mutta kuka päätti, mistä puhuttiin ja mistä ei? Usein vastaus on pieni ohjelmakomitea, joka tekee valinnat ennakkoon. Yleisö kuuntelee, harva vaikuttaa. Eräässä tekoälyn yhteiskunnallisia vaikutuksia käsittelevässä kansainvälisessä konferenssissa kokeiltiin toisenlaista tapaa. Osallistujat eivät vain tulleet paikalle – he auttoivat muokkaamaan itse tilaisuuden suuntaa.

By Kari Jaaskelainen