Posting blog baru. Baru-baru ini, orang-orang telah berbicara tentang bagaimana dibutuhkan lebih banyak komputasi untuk mendapatkan satu sampel di RL daripada dalam prapelatihan. Tapi ini hanya setengah dari masalah. Di RL, sampel mahal itu juga biasanya memberi Anda bit yang jauh lebih sedikit. Dan ini memiliki implikasi pada seberapa baik RLVR akan berskala, ditambah membantu kita memahami mengapa permainan mandiri dan pembelajaran kurikulum sangat membantu RL, mengapa model RLed sangat bergerigi, dan bagaimana kita dapat berpikir tentang apa yang dilakukan manusia secara berbeda. Tautan di bawah ini.