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 …
→
Reinforcement-Learning
4
материала
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 …
→