AI-Modeller
Liten AI-modell lærte seg selv å kode – nådde 80 % på HumanEval
En utvikler lot en liten AI-modell trene på sine egne feil med GRPO og verifiable rewards - uten menneskeskrevet data. Resultatet: 80 % på…
Utforsk arkivet
GRPO
Group Relative Policy Optimization – reinforcement learning-metode brukt i modelltrening