探索 Momentum 生態，瓜分 $101.5 萬獎勵
discoveryBanners
熱門話題
#
Bonk 生態迷因幣展現強韌勢頭
Hosico
Hosico+43.75%
USELESS
USELESS+32.69%
IKUN
IKUN+24.7%
gib
gib+22.11%
#
有消息稱 Pump.fun 計劃 40 億估值發幣，引發市場猜測
Bonk
Bonk+10.76%
ALON
ALON+9.66%
LAUNCHCOIN
LAUNCHCOIN+9.89%
GOONC
GOONC+2.87%
KLED
KLED-0.03%
#
Solana 新代幣發射平臺 Boop.Fun 風頭正勁
BOOP
BOOP-9.33%
Boopa
Boopa+3.7%
PORK
PORK+18.29%
samsja
samsja
20 小時前·
似乎其他人都傾向於使用 vllm v1 logprob 作為重要性比率來解決穩定性問題。 我覺得我對這種類型的強化學習崩潰有創傷後應激障礙。
Zichen Liu
Zichen Liu21 小時前
僅用幾行程式碼，Feng（@fengyao1909）建議的修復方法——在行為策略上應用重要性採樣——解決了我案例中的訓練不穩定性（oat）。我相信這個結果也可以推廣到其他強化學習框架。幹得好，Feng！
5.32K