Sungkyunkwan-Team bringt zwei NeurIPS-2026-Papers durch: sparsamere KI-Agenten und Roboter-RL ohne Glückstreffer

Ein Team um Professorin Kwon Min-hye von der Sungkyunkwan University hat zwei Beiträge bei der NeurIPS 2026 untergebracht, berichtete AI Times Korea am 13. Oktober. Das erste Verfahren, Selective Critique für kostenbewusste LLM-Agenten, holt nur bei geringer eigener Zuversicht eine Prüfung durch ein stärkeres Modell ein; in Simulationen des Teams sank der Rechenaufwand auf etwa ein Drittel, die Erfolgsquote stieg von 24,6 auf 78,3 Prozent.

Das zweite, VAN-Flow, ein varianzaverses n-Schritt-Offline-Reinforcement-Learning, filtert Aktionen heraus, die in aufgezeichneten Daten nur zufällig zum Erfolg führten, und übertraf nach Angaben des Teams in den meisten von über 40 Robotersteuerungsaufgaben mit Störungen oder langen Präzisionsabläufen bisherige Spitzenverfahren.

Beide Ergebnisse stammen aus Simulationen, ein Test auf echter Hardware steht aus.