RealFeedApp RL Judge улучшает логическое мышление моделей
Исследование показывает, что использование агентских судей в RL позволяет модели учиться не только правильному результату, но и эффективному процессу рассуждений, в отличие от традиционных методов.
- Область
- обучение языковых моделей
- Что сделали
- Исследователь проверил гипотезу о том, что использование агентов-оценщиков (RL Judge) в процессе обучения позволяет модели получать больше знаний из одного и того же набора данных.
- Зачем это
- Это может быть полезно, так как позволяет извлечь больше пользы из уже оплаченных вычислительных ресурсов, не увеличивая стоимость обучения.
#reinforcement learning#rl judge#reasoning#agentic#post-training
