Fyxer는 AI 임원 조력자를 신뢰하는 방법
Fyxer는 OpenAI 모델, 미세 조정, 메모리 및 실제 사용자 피드백을 사용하여 각 사용자의 목소리에 inboxes 및 초안 이메일을 구성합니다.
AI NEWS JOURNAL
전체 AI 소식
출처, 주제, 시간으로 전체 뉴스에서 관심 소식을 찾아보세요.
Paul Christiano, OpenAI 재단 이사회에 합류
Paul Christiano는 OpenAI Foundation Board와 Safety and Security Committee에 합류하여 AI 정렬, 안전 및 표준에 대한 경험을 제공합니다.
100 GRPO 단계에서 더 나은 구조화 산출을 위한 350M 모형을 순조롭게 하기
100 GRPO 단계에서 더 나은 구조화 산출을 위한 350M 모형을 순조롭게 하기
교육 및 미세 조정 Multi-Vector Embedding 모델 Sentence 변압기
교육 및 미세 조정 Multi-Vector Embedding 모델 Sentence 변압기
NVIDIA NeMo AutoModel와 변압기 미세 조정
NVIDIA NeMo AutoModel와 변압기 미세 조정
LoRA를 넘어서 : 가장 인기있는 미세 조정 기술을 이길 수 있습니까?
LoRA를 넘어서 : 가장 인기있는 미세 조정 기술을 이길 수 있습니까?
Import AI 461: "Alignment is not on track"; FrontierCode; and synthetic research interns
Where are your agents right now?
번역 대기 중 · 원문 표시 · enEvaluating alignment of behavioral dispositions in LLMs
Generative AI
번역 대기 중 · 원문 표시 · enRL without TD learning
In this post, I’ll introduce a reinforcement learning (RL) algorithm based on an “alternative” paradigm: divide and conquer. Unlike traditional methods, this algorithm is not based on temporal difference (TD) learning (which has scalability challenges), and scales well to long-horizon tasks. We can do Reinforcement Learning (RL) based on divide and conquer, instead of temporal difference (TD) learning. Problem setting: off-policy RL Our problem setting is off-policy RL. Let’s briefly review what this means. There are two classes of algorithms in RL: on-policy RL and off-policy RL. On-policy RL means we can only use fresh data collected by the current policy. In other words, we have to throw away old data each time we update the policy. Algorithms like PPO and GRPO (and policy gradient meth
번역 대기 중 · 원문 표시 · enUnlocking the potential of vision language models on satellite imagery through fine-tuning
Unlocking the potential of vision language models on satellite imagery through fine-tuning
번역 대기 중 · 원문 표시 · en미스트랄 파인튜닝 해커톤
저희는 2024년 6월 5일부터 30일까지 열리는 가상 행사인 미스트랄 AI 파인튜닝 해커톤을 발표하게 되어 매우 기쁩니다.