🚀Gleder meg til å dele vårt nye arbeid! 💊Problem: BF16-presisjonen forårsaker et stort trenings-inferens-misforhold, noe som fører til ustabil RL-trening. 💡Løsning: Bare bytt til FP16. 🎯Det er det. 📰Papir: ⭐️Kode: