Актуальные темы
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Похоже, что другие люди начинают использовать vllm v1 logprob для соотношения важности, чтобы исправить проблему стабильности.
Я думаю, у меня посттравматическое стрессовое расстройство от такого рода краха RL.
22 авг., 23:35
Всего лишь с несколькими строками кода предложенное решение Фэна (@fengyao1909) — применение важностного отбора к политике поведения — решило проблему нестабильности обучения в моем случае (oat). Я верю, что этот результат может быть обобщен и для других RL-фреймворков. Отличная работа, Фэн!
6,34K
Топ
Рейтинг
Избранное