Найдено записей: 4
'Apriel-1.5-15B-Thinker — открытая 15-миллиардная мультиформатная модель, достигающая AAI 52 и помещающаяся на одном GPU, предлагая воспроизводимый рецепт обучения и конкурентные показатели на ключевых бенчмарках.'
'MIT доказали, что on-policy обучение с подкреплением сохраняет ранее приобретённые способности лучше, чем супервизированное дообучение, за счёт минимизации прямого KL-расхождения между базовой и адаптированной моделью.'
Prefix-RFT объединяет SFT и RFT через использование частичных демонстраций, направляя исследование и улучшая стабильность и качество на математических бенчмарках по сравнению с отдельными и гибридными подходами.
OpenThoughts представляет масштабируемый пайплайн для создания данных SFT, значительно повышающий качество моделей рассуждений и достигающий передовых результатов в математике, программировании и науке.