🚀Раді поділитися нашою новою роботою! 💊Проблема: точність BF16 спричиняє велику невідповідність між тренуванням та висновком, що призводить до нестабільного тренування RL. 💡Рішення: просто перейдіть на FP16. 🎯Ось і все. 📰Папір: ⭐️Код: