Populární témata
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
FlowRL: Párování distribuce odměn pro LLM RL
• Posun od maximalizace odměn → párování distribuce
• +10,0 % vs GRPO, +5,1 % vs PPO v matematice; Výrazné zisky z kódu
• Minimalizuje reverzní KL tak, aby pokryl všechny platné cesty uvažování (zabrání kolapsu režimu)
Top
Hodnocení
Oblíbené