DeepSeek-R1 для чайников +80
Публикации с тегом RLHF
DeepSeek-R1 для чайников +80
Законы масштабирования – архитектура O1 Pro // Инфраструктура синтетических данных, RLAIF, токеномика вычислений +1
Poisoned Data — отравление данных для LLM и создание «Спящего Агента»
RLHF. История становления идеи — 4. HHH: helpful, honest, harmless, Instruct LLM, Constitutional AI
RLHF. История становления идеи — 3. Supervised finetune, Протокольный сбор обратной связи, Batch RL
RLHF. История становления идеи — 2
Обучение с подкреплением на основе обратной связи от человека (RLHF). История становления идеи
Новый «ИИгрок»: что мы знаем о Grok?
Reinforcement Learning from Human Feedback: когда одной математики мало +6
Тварь дрожащая или право имею: как мы лепили виртуального юриста из русскоязычных нейросетей +24
Алгоритм, сделавший ChatGPT таким «человечным» — Reinforcement Learning from Human Feedback +13
ChatGPT — лучший помощник программиста. Примеры реальных задач. Плагины и инструменты +47
