(現在の)RLはひどいと言う PRMと敵対的トレーニングが必要だと言っています(原文のまま:MuZero) エントロピー崩壊を嘆き、トレーニングとサンプリングでエントロピーを維持する必要性を説明する スパースアテンション(およびkvcache上のAttnスパースレイヤー)が必要です