Populære emner
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
🪜Vi introduserer: StepWiser🦉
📝:
- Omformulerer trinnvis belønningsmodellering som en resonnerende oppgave: gir CoT + dømmekraft.
- Trent av RL ved hjelp av relative resultater av utrullinger.
Resultater:
(1) SOTA-ytelse på ProcessBench!
(2) Forbedrer politikken ved togtid.
(3) Forbedrer søk på slutningstid.
🧵1/5

76,44K
Topp
Rangering
Favoritter