Создание моделей, способных к рассуждению, с помощью дообучения GRPO +4
Публикации с тегом GRPO
Данные, которые нельзя выдумать: как мы собираем трейсы для тренировки агентских навыков Cotype +19
Данные, которые нельзя выдумать: как мы собираем трейсы для тренировки агентских навыков Cotype +19
Нехватка CUDA-памяти при обучении с GRPO: как перестать гадать и начать считать
Как мы обеспечили +33% к точности на сложных SQL-запросах +15
GEPA вместо RL: как рефлексивная эволюция промптов обгоняет обучение с подкреплением +1
GSPO (Qwen RL Algorithm by Alibaba Cloud) +2
