O nouă postare pe blog după mult timp! În această serie voi vorbi despre cum să rezolvi învățarea prin întărire pentru sarcini cu orizont lung, treptat de la cele mai simple abordări. (link în răspunsuri!) în partea I a acestei serii, aruncăm RL în cub în forma sa cea mai directă și nevăruită și transformăm eșecul în sine. scopul acestui blog este de a urmări pistoalele RL care trag cu încetinitorul și de a vedea cum lipsa de recompense se transformă într-un coșmar al colapsului politicii, de ce explorarea se poate sufoca în spații cu orizont lung și ce se întâmplă în culise când un model pare încrezător, rămânând în același timp fundamental pierdut! Mulțumiri speciale @willccbb și @PrimeIntellect pentru sponsorizarea acestui :) Verificatorii este un instrument incredibil și le doresc tot ce este mai bun.