Tag
Všetky publikované články, v ktorých sa téma reinforcement learning objavuje ako dôležitý kontext. Aktuálne 6 textov v archíve.
AWS v SageMakeri doladilo 27-miliardový model podľa výsledku celej vyhľadávacej trajektórie. Na troch zo štyroch testov zlepšil poradie dokumentov, no jeden benchmark ukázal mierny pokles kvality.
NVIDIA ukázala migráciu robotického ramena z MuJoCo do MJWarp s až 2 048 paralelnými prostrediami. GPU simulácia môže zrýchliť zber tréningových dát, no kompatibilita a presnosť sa musia overovať pre každú scénu.
Nový technický postup AWS rozoberá kompozitné odmeny pre viac-krokové reinforcement fine-tuning úlohy. Upozorňuje, že aj zdanlivo zdravý tréning môže ignorovať kľúčovú zložku odmeny, ak medzi odpoveďami nevytvára merateľný rozdiel.
Apple ukazuje, že pri titulkovaní obrázkov nestačí tlačiť len na dĺžku a detail. BalCapRL kombinuje viac cieľov naraz, aby multimodálne modely menej halucinovali a písali použiteľnejšie popisy.
ServiceNow na Hugging Face rozobralo migráciu z vLLM V0 na V1 pri RL tréningu modelov a ukázalo, že kľúčové nie sú len nové optimalizačné schémy, ale najmä korektné logproby, runtime defaulty a správa váh počas behu.
Apple zverejnil výskum PORTool, ktorý sa snaží zlepšiť tréning agentov pracujúcich s externými nástrojmi. Namiesto odmeňovania len podľa finálneho výsledku rozdeľuje zásluhu aj po jednotlivých krokoch, aby model lepšie pochopil, ktoré volania nástrojov boli skutočne užitočné.