Ineficiența extremă a RL pentru modelele de frontieră 🧵 Trecerea de la modelele de frontieră de antrenament prin predicția următorului token la învățarea prin întărire (RL) necesită de 1.000 până la 1.000.000 de ori mai mult calcul pe bit de informație din care modelul ajunge să învețe. 1/11