1つのモデルファミリー、2つのゴールドレベルの結果:IOIとIMOのためのファインチューニングネモトロン
1つのモデルファミリー、2つのゴールドレベルの結果:IOIとIMOのためのファインチューニングネモトロン
AI NEWS JOURNAL
AI の全ニュース
出典・テーマ・日時から、気になるニュースを見つけられます。
FyxerがAIのエグゼクティブアシスタントの人々を信頼する方法
Fyxerは、OpenAIモデル、微調整、メモリ、および実際のユーザーフィードバックを使用して、各ユーザーの音声で受信トレイとメールのドラフトを整理します.
Paul ChristianoがOpenAI Foundation Boardに参加
パウロ・クリスタノが、AIアライメント、安全、規格に関する経験を持たせる、OpenAI財団理事と安全衛生委員会に参画.
100 GRPOステップのよりよい構造された出力のための350Mモデルを微調整して下さい
100 GRPOステップのよりよい構造された出力のための350Mモデルを微調整して下さい
トレーニングとマルチベクトルエンベディングモデルをセンテンストランスで調整
トレーニングとマルチベクトルエンベディングモデルをセンテンストランスで調整
NVIDIA NeMo AutoModel を使用したトランスを高速化
NVIDIA NeMo AutoModel を使用したトランスを高速化
ロラを超えて:最も人気のある微調整テクニックを打つことはできますか?
ロラを超えて:最も人気のある微調整テクニックを打つことはできますか?
Import AI 461: "Alignment is not on track"; FrontierCode; and synthetic research interns
Where are your agents right now?
翻訳待ち・原文を表示中 · enEvaluating alignment of behavioral dispositions in LLMs
Generative AI
翻訳待ち・原文を表示中 · enRL without TD learning
In this post, I’ll introduce a reinforcement learning (RL) algorithm based on an “alternative” paradigm: divide and conquer. Unlike traditional methods, this algorithm is not based on temporal difference (TD) learning (which has scalability challenges), and scales well to long-horizon tasks. We can do Reinforcement Learning (RL) based on divide and conquer, instead of temporal difference (TD) learning. Problem setting: off-policy RL Our problem setting is off-policy RL. Let’s briefly review what this means. There are two classes of algorithms in RL: on-policy RL and off-policy RL. On-policy RL means we can only use fresh data collected by the current policy. In other words, we have to throw away old data each time we update the policy. Algorithms like PPO and GRPO (and policy gradient meth
翻訳待ち・原文を表示中 · enUnlocking the potential of vision language models on satellite imagery through fine-tuning
Unlocking the potential of vision language models on satellite imagery through fine-tuning
翻訳待ち・原文を表示中 · enミストラル ファインチューニング ハッカソン
Mistral AIのファインチューニングハッカソンを、2024年6月5日から30日まで開催するバーチャルイベントとして、大変嬉しくお知らせいたします。