مدل‌ها تنظیم دقیق GPT-2 از ترجیحات انسانی ما مدل زبانی GPT-2 با پارامتر ۷۷۴ میلیون را با استفاده از بازخورد انسانی برای وظایف مختلف تنظیم دقیق کرده‌ایم و با موفقیت ترجیحات برچسب‌گذارهای انسانی خارجی ر ۲۸ شهریور ۱۳۹۸ ۲ دقیقه آموزش استفاده از ابزار نوظهور از تعامل چند عاملی ما مشاهده کرده‌ایم که عامل‌ها هنگام انجام یک بازی ساده قایم‌موشک، به تدریج استفاده از ابزارهای پیچیده‌تر را کشف می‌کنند. از طریق آموزش در محیط قایم‌موشک شبیه‌ ۲۶ شهریور ۱۳۹۸ ۲ دقیقه پژوهش مطالعه‌ی گسترده در مورد یادگیری مبتنی بر کنجکاوی تازه‌ترین خبر حوزه هوش مصنوعی از منابع معتبر منتشر شده است. ۲۲ مرداد ۱۳۹۷ ۲ دقیقه محصولات انتقال شبیه‌سازی به واقعیت کنترل رباتیک با تصادفی‌سازی دینامیکی تازه‌ترین خبر حوزه هوش مصنوعی از منابع معتبر منتشر شده است. ۲۶ مهر ۱۳۹۶ ۲ دقیقه محصولات تصادفی‌سازی دامنه و مدل‌های مولد برای گرفتن اشیا توسط ربات تازه‌ترین خبر حوزه هوش مصنوعی از منابع معتبر منتشر شده است. ۲۵ مهر ۱۳۹۶ ۲ دقیقه محصولات محاسبات غیرخطی در شبکه‌های خطی عمیق تازه‌ترین خبر حوزه هوش مصنوعی از منابع معتبر منتشر شده است. ۷ مهر ۱۳۹۶ ۲ دقیقه مدل‌ها مبانی OpenAI: ACKTR و A2C ما دو پیاده‌سازی جدید از OpenAI Baselines را منتشر می‌کنیم: ACKTR و A2C. A2C یک نوع همزمان و قطعی از Asynchronous Advantage Actor Critic (A3C) است که به نظر م ۲۷ مرداد ۱۳۹۶ ۲ دقیقه پژوهش دوتا 2 ما رباتی ساخته‌ایم که در مسابقات تک به تک دوتا ۲، تحت قوانین استاندارد مسابقات، برترین متخصصان جهان را شکست می‌دهد. این ربات بازی را از ابتدا و با بازی با خود ۲۰ مرداد ۱۳۹۶ ۲ دقیقه 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 ۲۹ تیر ۱۳۹۶ ۲ دقیقه