A fost nevoie de câțiva ani de gândire profundă, dar sunt extrem de entuziasmat să împărtășesc în sfârșit PROSPER: un algoritm frumos, bazat pe regresiune, pentru RL, de la *recompense cu rubrică* care gestionează robust *feedback-ul inconsistent* pe care îl oferă judecătorii LLM. Hai să ne întoarcem la Negru (ei bine)! 🧵 (1/n)

Un moment la fel de bun ca oricare altul pentru a anunța că sunt pe piața muncii anul acesta! Dezvolt algoritmi de învățare prin întărire care sunt direct aplicabili problemelor atât în robotică, cât și în modelarea limbajului. Vezi mai multe!