posting blog baru setelah sekian lama! Dalam seri ini saya akan berbicara tentang bagaimana memecahkan pembelajaran penguatan untuk tugas-tugas jangka panjang, secara bertahap dari pendekatan yang paling mudah. (tautan di balasan!) di bagian I dari seri ini, kami melemparkan RL ke kubus dalam bentuknya yang paling langsung dan tanpa perhiasan dan mempersenjatai kegagalan itu sendiri. tujuan dari blog ini adalah untuk menyaksikan senjata kaki RL menembak dalam gerakan lambat dan melihat bagaimana penghargaan yang jarang berubah menjadi mimpi buruk keruntuhan kebijakan, mengapa eksplorasi dapat mati lemas di ruang cakrawala panjang, dan apa yang terjadi di balik layar ketika seorang model terdengar percaya diri sementara tetap hilang pada dasarnya! Terima kasih khusus kepada @willccbb dan @PrimeIntellect karena telah mensponsori :) ini Verifier adalah alat yang luar biasa dan saya berharap yang terbaik untuk mereka.