EPO: Entropy-regularized Policy Optimization for LLM Agents Reinforcement Learning https://arxiv.org/abs/2509.22576 https://www.alphaxiv.org/ru/overview/2509.22576v1
EPO: Entropy-regularized Policy Optimization for LLM Agents Reinforcement…
0 viewsОткрыть в Telegram →
Из этого канала
- #4842https://hazyresearch.stanford.edu/blog/2025-09-22-pgl Все больше материала и…
https://hazyresearch.stanford.edu/blog/2025-09-22-pgl Все больше материала и наработок по теме NVLink NVSwitch
- #4843идеально конечно 32 VRAM, и не обязательно Nvidia
идеально конечно 32 VRAM, и не обязательно Nvidia
- #4844https://thinkingmachines.ai/blog/lora/
https://thinkingmachines.ai/blog/lora/
- #4840From f(x) and g(x) to f(g(x)): LLMs Learn New Skills in RL by Composing Old…
From f(x) and g(x) to f(g(x)): LLMs Learn New Skills in RL by Composing Old Ones https://arxiv.org/abs/2509.25123…
- #4839Vision-Zero: Scalable VLM Self-Improvement via Strategic Gamified Self-Play…
Vision-Zero: Scalable VLM Self-Improvement via Strategic Gamified Self-Play https://arxiv.org/abs/2509.25541 https://www.alphaxiv.org/ru/overview/2509.25541v1…