トレンドトピック
#
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.
Dwarkesh Patel
「私たちの合格率フレームワークは、なぜ自己プレイがRLの歴史において非常に生産的だったのかを直感的に理解させてくれます。もし自分とほぼ同じくらいの実力を持つプレイヤーと競うなら、合格率は50%前後でバランスを取ることになり、ランダムな二進変数から得られる部分がピークを出します。」
11月18日 01:09
新しいブログ記事です。最近、RLで単一のサンプルを取得するのに事前学習よりもはるかに多くの計算が必要だと話されています。
しかし、これは問題の半分に過ぎません。
強化学習では、その高価なサンプルは通常、ビット数が大幅に減っています。
これはRLVRのスケーリング効果に影響を与え、自己プレイやカリキュラム学習がなぜ強化学習に非常に役立つのか、強化学習モデルがなぜ奇妙にギザギザしているのか、そして人間が何を違うかを考える助けとなります。
以下にリンクがあります。
35.14K
RLVRによって引き起こされる極端なギザギザはどのように説明しますか?
なぜ、コーディングコンペティションで世界クラスのモデルを持ちながら、コードベース全体に非常に予見可能なバグや技術的な負債を残してしまうのでしょうか?
11月18日 01:09
新しいブログ記事です。最近、RLで単一のサンプルを取得するのに事前学習よりもはるかに多くの計算が必要だと話されています。
しかし、これは問題の半分に過ぎません。
強化学習では、その高価なサンプルは通常、ビット数が大幅に減っています。
これはRLVRのスケーリング効果に影響を与え、自己プレイやカリキュラム学習がなぜ強化学習に非常に役立つのか、強化学習モデルがなぜ奇妙にギザギザしているのか、そして人間が何を違うかを考える助けとなります。
以下にリンクがあります。
32.91K
トップ
ランキング
お気に入り