22
Jun
article
Задача многорукого бандита: алгоритмы и решения
Разбираем задачу многорукого бандита: от ε-жадного алгоритма до UCB и сэмплирования Томпсона. …
→
Reinforcement Learning
10
материалов
15
Jun
article
Domain Randomization: как перенести ИИ из симуляции в реальность
Что такое Domain Randomization, как работает Sim2Real Transfer и почему роботы OpenAI учатся в …
→
14
Jun
article
Evolution Strategies: эволюция без градиентов
Что такое Evolution Strategies, как работают (μ,λ)-ES и CMA-ES, чем отличаются от градиентного …
→
14
Jun
article
Meta Reinforcement Learning: учимся учиться быстро
Что такое Meta Reinforcement Learning, как работают MAML и RL², где применяются и почему это будущее …
→
11
Jun
article
Curriculum для обучения с подкреплением: от простого к сложному
Что такое Curriculum RL, как работает обучение по расписанию задач и почему AlphaGo, AlphaStar и …
→
09
Jun
article
Стратегии исследования в глубоком обучении с подкреплением
Разбираем ключевые стратегии exploration в Deep RL: от ε-greedy до curiosity-driven подходов. …
→
24
May
news
OpenPipe ART: обучение агентов через GRPO прямо на задачах
OpenPipe выпустила открытый фреймворк ART для обучения LLM-агентов с помощью GRPO. Модель Qwen 2.5 …
→
05
May
article
Reward Hacking в обучении с подкреплением
Что такое reward hacking в RL, почему он неизбежен и как с ним бороться — от классических примеров …
→
29
Apr
news
Talkie: LLM из 1930-х, обученный с помощью Claude
Alec Radford выпустил Talkie — 13B-модель, обученную только на текстах до 1931 года. Claude Sonnet …
→
05
Mar
article
Обучение с подкреплением: как AI учится на ошибках
Разбираем обучение с подкреплением — метод, который позволяет AI учиться методом проб и ошибок. От …
→