tag: Stable On-Policy RL

Google เปิดตัว Zero-TIM ปลดล็อกความเสถียร LLM RL บน Cloud TPU

Google เปิดตัว Zero-TIM ปลดล็อกความเสถียร LLM RL บน Cloud TPU

· By: TanasakP
Google พัฒนาเทคนิค Zero-TIM บน Tunix เพื่อแก้ปัญหาความไม่เสถียรทางตัวเลขในการฝึก LLM RL โดยบรรลุผลลัพธ์ bitwise-zero train - inference logprob mismatch บน Cloud TPU