Tag
Všetky publikované články, v ktorých sa téma reinforcement learning objavuje ako dôležitý kontext. Aktuálne 4 textov v archíve.
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.