Статьи по тегу «обучение с подкреплением»
23 октября 2026, 23:46
Kimi K3.1 Pro: почему возможности хакерства и все о релизе
Китайская Moonshot AI выпустила Kimi K3.1 Pro — новую флагманскую схема для программирования, сложных рассуждений и агентных задач. По собственным тестам компании, она почти догнала Claude Opus 5.5 в
15 октября 2026, 15:30
Решили проблему обучения с подкреплением. Новая работа демонстрирует цену reward hacking в пост-тренинге
Группа исследователей, среди которых Хэмиш Айвисон, один из авторов открытых рецептов пост-тренинга Tülu и OLMo, 14 октября опубликовала работу о методе CaLIF. Он решает известную проблему обучения с