پژوهش هوش مصنوعی در ریاضیات: Kimina-Prover و جستجوی RL در زمان اجرا Kimina-Prover، یک الگوریتم هوش مصنوعی مبتنی بر جستجوی RL در زمان اجرا، می‌تواند مدل‌های بزرگ یادگیری رسمی را بهینه کند و خطاهای ریاضی را اصلاح نماید. ۱۹ تیر ۱۴۰۴ ۲ دقیقه مدل‌ها فِیترلس AI: جدیداً ارائه‌دهنده هوش مصنوعی بدون سرور در هاجینگ فیس فِیترلس AI به‌عنوان ارائه‌دهنده بدون سرور در هاجینگ فیس معرفی شد؛ گامی مهم در گسترش دسترسی سریع، جامع و مقرون‌به‌صرفه به مدل‌های متن و گفتار. ۲۲ خرداد ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی بدون GPU: چگونگی افزایش کارایی با vLLM هم‌محور در TRL این مقاله روش Co‑Located vLLM در TRL را معرفی و نشان می‌دهد چگونه با استفاده از GPUهای مشترک، کارایی مدل‌های LLM را بدون هزینه اضافی به حداکثر می‌رساند. ۱۳ خرداد ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی در Liger GRPO: تقویت TRL با بهینه‌سازی حافظه و مقیاس‌پذیری در این خبر، Liger GRPO با کاهش مصرف حافظه ۴۰٪ و افزودن امکانات FSDP و PEFT، آموزش RL را برای مدل‌های بزرگ بهینه می‌کند و به تسهیل مقیاس‌پذیری در چند گپ تبدیل می‌شود. ۴ خرداد ۱۴۰۴ ۲ دقیقه پژوهش PipelineRL از سرویس‌نوا: هوش مصنوعی در یادگیری تقویتی نوآورانه PipelineRL با به‌روز‌رسانی وزن‌های در حین آموزش و معماری ماژولار، عملکردی مشابه Open-Reasoner-Zero را به‌دنبال دارد.کد منبع در Hugging Face موجود است. ۶ اردیبهشت ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی Mini-R1: بازتولید لحظهٔ آشکار DeepSeek‑R1 در یادگیری تقویتی Mini‑R1 تیم Open R1 به‌وسیله‌ی یادگیری تقویتی لحظهٔ آشکار DeepSeek‑R1 را بازتولید کرد؛ در این راهنما گام‌های کلیدی و نتایج‌ را بررسی می‌کنیم. ۱۲ بهمن ۱۴۰۳ ۲ دقیقه اخبار پایان سرویس رایگان انفرونس با NVIDIA در হاجینگ فیس؛ جایگزین چیست؟ سرویس Serverless Inference مبتنی بر NVIDIA NIM در هاجینگ فیس از ۱۰ آوریل ۲۰۲۵ منسوخ شد. می‌توانید با مرور این مقاله، جزئیات جایگزین‌ها و پیامدهای آن برای مدل‌های بازیابی اطلاعات را بیابید. ۸ مرداد ۱۴۰۳ ۲ دقیقه پژوهش بهینه‌سازی ترجیح برای مدل‌های دید-زبان: گام جدیدی در هوش مصنوعی پیش‌نیازهای جدیدی برای مدل‌های دید-زبان، از طریق بهینه‌سازی ترجیح و کتابخانه TRL که در هگینگی فیس معرفی شده، امکان آموزش دقیق‌تر و مقرون‌به‌صرفه‌تر را فراهم می‌کند. ۲۰ تیر ۱۴۰۳ ۲ دقیقه پژوهش هوش مصنوعی در آزمایش خود: CriticGPT به کمک GPT-4 خطاهای ChatGPT را می‌یابد مدل CriticGPT، بر پایه GPT‑4، به‌صورت خودکار پاسخ‌های ChatGPT را تجزیه و تحلیل می‌کند تا در فرایند RLHF، مربیان را در شناسایی خطاها یاری رساند. نقش مهم در کیفیت تولید محتوا دارد. ۷ تیر ۱۴۰۳ ۲ دقیقه 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. ۲۳ خرداد ۱۴۰۳ ۲ دقیقه