Piotr Miłoś

ファインチューニング中にRLのスキルを維持する方法を探ってる。

トレーニングデータを整理すると、言語モデルのパフォーマンスがかなり良くなるよ。

研究によると、一般的な正則化手法がオフポリシーRLエージェントのパフォーマンスをタスク全体で向上させることがわかった。

BROを紹介するよ、もっと早くロボットが学べる方法なんだ。

複雑なAI推論の課題に対するサブゴールベースの手法を見てみよう。

テキスト埋め込みのモデルを賢く効果的にトレーニングする方法を学ぼう。