Модель размером 350M параметров была дообучена с использованием метода GRPO. За 100 шагов GRPO удалось достичь улучшения структурированных выходов модели.
GRPO улучшил структурированные выходы модели 350M за 100 шагов
Метод GRPO позволил достичь улучшения структурированных выходов модели размером 350M параметров.
Источник: huggingface.co
Открыть в ArenaPulse