پژوهش
هوش مصنوعی و RLOO: Reinforcement Learning برگردد به RLHF
مرحلۀ جدید در آموزش مدل‌های هوش مصنوعی: RLOO، متود Reinforcement Learning که کم‌حافظه‌تر و سریع‌تر از PPO است، برای پژوهشگران RLHF دسترس‌پذیر می‌شود.
پژوهش
پیاده‌سازی RLHF با PPO: بازتولید کد OpenAI و نکات کلیدی
این مقاله به تفصیل جزئیات پیاده‌سازی یادگیری تقویتی با بازخورد انسانی (RLHF) در چارچوب PPO را بررسی می‌کند و از بازتولید کدهای OpenAI بهره می‌گیرد.
پژوهش
هوش مصنوعی: راهنمای عملی Proximal Policy Optimization (PPO) در یادگیری تقویتی
دستورات کامل Proximal Policy Optimization (PPO) را معرفی می‌کنیم، مزایای آن در یادگیری تقویتی، و نحوه پیاده‌سازی توسط Hugging Face و منابع متن‌باز.
پژوهش
هوش مصنوعی به‌وسیله تنها یک نمایش، بازی Montezuma’s Revenge را با امتیاز ۷۴,۵۰۰ شکست می‌دهد
OpenAI با استفاده از تنها یک نمایش انسانی، به‌طور چشمگیری در بازی Montezuma’s Revenge پیشرفت کرده و امتیاز 74,500 به دست آورد—برترین نتایج تا کنون.
سیاست و قانون
بهینه‌سازی سیاست پروگزیمال
ما در حال انتشار کلاس جدیدی از الگوریتم‌های یادگیری تقویتی، بهینه‌سازی سیاست پروگزیمال (PPO) هستیم که عملکردی مشابه یا بهتر از رویکردهای پیشرفته دارند، در حال