来自MSN4 个月
Llama版o1来了，来自上海AI Lab，强化学习代码已开源，基于AlphaGo Zero范式
简介中明确：使用了蒙特卡洛树搜索，Self-Play强化学习，PPO，以及AlphaGo Zero的双重策略范式（先验策略+价值评估）。 在2024年6月，o1发布之前 ...
来自MSN1 个月
如何评价 DeepSeek 正式发布的 DeepSeek-R1与DeepSeek-R1-Zero模型？
alphago最早期肯定试过直接从zero训练不work，才转向从先sl再rl的路线，把各种其他模块做完美，从中积累经验，再从繁入简。 rule-based是做verifiable task ...