陈丹琦
-
陈丹琦新作：大模型强化学习的第三条路，8B 小模型超越 GPT-4o
结合 RLHF 与 RLVR 的优势，仅需 8B 参数的小模型便能超越 GPT-4o，并媲美 Claude-3.7-Sonnet。 陈丹琦团队最新研究引发广泛关注。 他们提出了一种名为 RLMT（Reinforcement Learning with Model-rewarded Thinking，…
结合 RLHF 与 RLVR 的优势，仅需 8B 参数的小模型便能超越 GPT-4o，并媲美 Claude-3.7-Sonnet。 陈丹琦团队最新研究引发广泛关注。 他们提出了一种名为 RLMT（Reinforcement Learning with Model-rewarded Thinking，…
