szybka mała ściągawka

.@willccbb (Lider Badań, Prime Intellect) o tym, jak naprawdę działają środowiska RL: „Środowisko to w zasadzie ewaluacja. Masz zadania wejściowe, system testowy, a na końcu ocenia, jak działa twój model lub agent. To jest konfiguracja, której używamy zarówno do ewaluacji, jak i szkolenia RL.” Dodaje, że przyszłość nie polega tylko na „zdobyciu 100 000 GPU w jednym ogromnym klastrze.”

Przez ostatni tydzień rozwijałem środowiska. Wierzę, że to może zaspokoić potrzeby środowiska RL dla mas. Było wiele interesujących, fajnych rzeczy do przetestowania, w tym stworzone przeze mnie środowisko dowodzenia Lean4 inspirowane StepRunProver, które obsługuje wielokrotne tury.