> SPIRAL использует архитектуру «актер-ученик» для масштабируемого самообучения. Параллельные актеры выбирают траектории из разнообразного набора игр с использованием векторизованных сред. Одна политика $pit$ играет обе роли, генерируя траектории игры с нулевой суммой и редким вознаграждением. Централизованный обучающийся обрабатывает эти траектории с использованием оценки преимуществ, обусловленных ролями (RAE), для вычисления отдельных преимуществ, $A0(s,a)$ и $A_1(s,a)$, для каждой роли. Затем они используются для обновлений обучения с подкреплением в рамках политики. (Сортировка по размеру, не обязательно по качеству. IQ-кванты часто предпочтительнее, чем аналогичные по размеру не-IQ-кванты) Вот удобный график от ikawrakow, сравнивающий некоторые типы квантов более низкого качества (чем меньше, тем лучше):
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: prithivMLmods
Теги: gguf, qwen3, text-generation-inference, spiral, rl, en, endpoints_compatible, conversational
Лайков: 3 | Загрузок: 269
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
