Решили проблему обучения с подкреплением. Новая работа показывает цену reward hacking в пост-тренинге
Группа исследователей, среди которых Хэмиш Айвисон, один из авторов открытых рецептов пост-тренинга Tülu и OLMo, 14 октября опубликовала работу о методе CaLIF. Он решает известную проблему обучения с подкреплением на проверяемых наградах, RLVR, в задачах следования инструкциям. Модель учится выполня…
Мы публикуем лишь краткий анонс. Все права на материал принадлежат Хабр — новости.
Ещё по теме
Meta* выпустила Muse Spark Open: запуск на 2 Mac Studio и не только
Meta* открыла веса Muse Spark Open — мультимодальной модели для программирования и многоэтапных задач. Разбираемся в плюсах и минусах релиза…
🤖Как обучить модель для upscale на ноутбуке с 4 ГБ и не умереть
Зачем нам свой улучшатор?Мы живем в эпоху доступности генеративных нейросетей, однако большинство качественных инструментов улучшения качест…
🤖Что остаётся человеку, когда Клод пишет код?
Я дизайнер, и за месяц вечеров собрал сервис, который превращает часовое видео в документ с выжимкой и таймкодами. Код писал Claude Code, эк…
Тень стратега (2): Постановка цели
Как загрузить качественным топливом конвейер разработки? Как измерить эффективность симбиоза человека и машины? Читать далее
🤖Alone in the Dark 1992 года навайбкожено на DirectX 12: ремейк за четыре часа и DLSS 5 сверху
Спойлер: собаку пришлось перерисовать с нуля. Но обо всём по порядку. А больше всего времени занял скульптинг груди ;-)В прошлый раз Claude…
🤖МВФ: ИИ-пузырь может лопнуть, попутно нанеся огромный ущерб всей мировой экономике
Международный валютный фонд (IMF) предупредил о рисках, связанных с возможным схлопыванием ИИ-пузыря, вызванного огромными финансовыми влива…