Asenkron gerçek eğitim istikrarında çok yol kat ettik Çok da uzun zaman önce saf grpo, uyumsuzluk yüzünden torch derlemeyle çökerdi. Ama artık ajanik gerçek hayatta taşımak için politikadan çok uzaklara gidebiliriz Prime-RL kayıp hesaplamasında çok önemli detaylar, bazı koşularımızda en son stabilite iyileştirmemizi açmak KL uyumsuzluğunda büyük fark yaratıyor
Çoğu son makalede @Grad62304977 Alpha'yı bulmaktan geliyor
119