Hva kan jeg gjøre med Discover
discoveryBanners
Populære emner
#
Bonk Eco continues to show strength amid $USELESS rally
Hosico
Hosico+2,82 %
USELESS
USELESS+0,4 %
IKUN
IKUN−5,68 %
gib
gib−2,9 %
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
Bonk
Bonk−1,74 %
ALON
ALON−2,52 %
LAUNCHCOIN
LAUNCHCOIN−10,58 %
GOONC
GOONC−7,32 %
KLED
KLED+26,64 %
#
Boop.Fun leading the way with a new launchpad on Solana.
BOOP
BOOP−0,27 %
Boopa
Boopa−2,41 %
PORK
PORK+6,49 %
Y
Y
2. okt., 05:02·
Utmerket å se de nye Tinker-dokumentene fra @thinkymachines, som bekrefter en inkonsekvens i GRPO-tapet. Vi utforsket dette problemet i vårt tidligere arbeid () og utviklet en mer robust metode med betydelige ytelsesforbedringer: • +12 absolutte poeng mot GRPO • +6 absolutte poeng mot DAPO Artikkelen vår beskriver utformingen av KL-regulariserte policygradientalgoritmer, og depotet vårt gir en korrigert implementering. Papir: Kode: