я сегодня-завтра, что нибудь на обучение поставлю и отпишу)

сегодня тесты и пока продумываю документацию SFT вроде пашет тюн. pretrain тоже работает надо опять в грпо погрузиться и погонять прям. и unsloth перепроверить)

Кста, из прикольного! У нас же внутри даже лежит секретная страничка про обычный RL) и там альфазеро в шашки играет ну точнее играл...

открываешь страницу. а там рл в шашки играет

оптимизация работает🥳

билданулось у меня в этот раз разы быстрее и перезапускать не приходилось)