پژوهش آموزش ناهمزمان GRPO با LoRA؛ گامی نو در هوش مصنوعی متن‌باز TRL v1.14 با پشتیبانی LoRA در AsyncGRPOTrainer، آموزش و استنتاج را از هم جدا می‌کند. مقاله به بررسی معماری سه‌لایه و استفاده از Storage Buckets می‌پردازد. ۱۹ شهریور ۱۴۰۵ ۳ دقیقه پژوهش آموزش مدل هوش مصنوعی برای نقاشی آبرنگ با کد جاوااسکریپت در این مقاله، روشی برای آموزش مدل‌های زبانی به منظور خلق نقاشی‌های آبرنگ با استفاده از یادگیری تقویتی و محیط باز معرفی می‌شود. با ما همراه باشید. ۱۲ شهریور ۱۴۰۵ ۳ دقیقه آموزش افزایش دقت هوش مصنوعی در خروجی ساختاریافته با GRPO و TRL در این راهنمای متن‌باز، مدل LFM2.5-350M با روش GRPO و کتابخانه TRL در ۱۰۰ گام آموزش داده می‌شود و دقت خروجی ساختاریافته از ۲۲.۶٪ به ۲۹.۷٪ می‌رسد. ۱۲ شهریور ۱۴۰۵ ۳ دقیقه پژوهش همراهی هزارتن پارامتر: همگام‌سازی دلتای وزن در هاب با هوش مصنوعی Hugging Face با فناوری Delta Weight Sync در TRL، هم‌زمانی وزن مدل‌های بزرگ را با استفاده از هاب باتک به صورت امن و به‌سرعت بالا اجرا می‌کند؛ راهکاری ساده برای انتقال هزارتن پارامتر. ۶ خرداد ۱۴۰۵ ۲ دقیقه محصولات TRL v1.0 منتشر شد: تحولی در آموزش پسین مدل‌های هوش مصنوعی TRL v1.0 با پشتیبانی از بیش از ۷۵ روش آموزش پسین، به ابزاری پایدار برای تولید تبدیل شده است و طراحی آن برای حرکت با نیازهای میدان تکامل می‌یابد. ۱۱ فروردین ۱۴۰۵ ۳ دقیقه محصولات 20 برابر سریع‌تر! RapidFire AI: فاین‑تینینگ مدل‌های هوش مصنوعی به سرعت 20× RapidFire AI با یکپارچه‌سازی خود با Hugging Face TRL، امکان فاین‑تینینگ مدل‌های زبانی را در زمان چندین برابر سرعت‌سازی می‌کند؛ در آزمایش‌های داخلی به دست آوردن 16‑24× تسریع در مقایسه با روش‌های متوالی. ۳۰ آبان ۱۴۰۴ ۲ دقیقه پژوهش هوش مصنوعی: نحوه همسو سازی مدل‌های دید-زبان در TRL جدید و به‌روز در این مقاله به بررسی روش‌های نوین همسو سازی مدل‌های دید‑زبان در فریم‌ورک TRL پرداخته، مقایسه‌ای بین MPO، GRPO و GSPO ارائه کرده و کاربردهای عملی در علوم و صنعت را بررسی می‌کنیم. ۱۶ مرداد 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 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