Поиск
Найдено: 50
1ч 09м⚖ Stanford CS224R: PPO и SAC как стандарты обучения с подкреплением
1ч 08м🧬 Нейтан Ламберт о жизни после DPO: почему PPO все еще лучше, но сложнее
1ч 18м🎓 Как аналитический метод DPO изменил выравнивание LLM и столкнулся со взломом наград
1ч 19м🛡 Стэнфорд о PPO: «Почему это самый полезный метод в RL»
1ч 18м🛠 От PPO до Dagger: современные методы обучения агентов
53 мин🔄 Янник Кильчер разобрал метод Reinforced Self-Training от Google DeepMind
1ч 47м🛠 Тюнинг LLM: как методы PPO и DPO превращают нейросети из автодополнителей в полезных помощников
1ч 09м🧠 Обучение с подкреплением: главные вызовы и прорывы стэнфордского курса CS234
38 мин📊 Исследование Google Brain: как правильно настроить on-policy RL-агента
1ч 18м📉 Direct Preference Optimization: почему исследователи переходят на DPO
1ч 44м🎮 От Atari до ChatGPT: как ИИ учится на своих ошибках?
1ч 47м🎯 Стэнфорд: «Ваша языковая модель — это на самом деле скрытая модель вознаграждения»
22 мин🤖 Заменяет ли простая аугментация годы исследований в сфере RL?
1ч 20м🧠 Стэнфордский курс CS234: принципы офлайн-RL и преодоление неопределенности
1ч 05м⚖ Сара Хукер: «Пороги вычислений в законах об ИИ бессмысленны»
1ч 14м🔄 Как устроен посттренинг языковых моделей: от SFT до RLHF
1ч 13м🔄 Подход Model-Based RL: как Стэнфорд обучает сложных роботов за четыре часа
45 мин📝 Learning to summarize from human feedback (Paper Explained)
1ч 51м🔄 Будущее LLM в 2025 году: от авторегрессии к диффузии и аналоговым чипам
1ч 47м🧠 DeepSeek R1 против OpenAI o1: как алгоритм GRPO изменил правила игры в ИИ
1ч 16м🏗 Натан Ламберт: «RLHF — это необходимый инструмент выравнивания ИИ»
1ч 20м🚀 Stanford CS336: секреты обучения reasoning-моделей DeepSeek-R1, Kimi и Qwen
40 мин🤖 Пессимизм как стратегия: Аравинд Раджесваран о безопасности офлайн-обучения ИИ
1ч 19м💰 Джон Грубер об экономических дисбалансах систем Medicaid и Medicare
1ч 49м🏛 Как 15 ученых смогли превзойти ИИ-гигантов уровня Meta?
1ч 01м🔄 Эволюция Q-Learning: от уравнений Беллмана до алгоритмов DQN и Double DQN
1ч 51м🚀 Стэнфорд CME295: Итоги 2025 года в мире трансформеров и диффузионных моделей
1ч 08м🔄 Градиент стратегии и алгоритм REINFORCE: от робототехники до ChatGPT
1ч 47м🧠 Стэнфорд CME295: Как алгоритм GRPO и DeepSeek R1 изменили логику нейросетей
53 мин🚀 Якоб Фёрстер: «RL на GPU — наш момент ImageNet»
49 мин🔄 От слепого робопса до Tesla Optimus: как алгоритмы Reinforcement Learning меняют робототехнику
48 мин🧠 Янник Килчер: «Градиенты — это не всё, что вам нужно»
12 мин🏗 [ML Olds] Meta Research Supercluster | OpenAI GPT-Instruct | Google LaMDA | Drones fight Pigeons
24 мин🦩 Как DeepMind Flamingo и Google LiT меняют мультимодальный ИИ
2ч 05м🤖 Как попасть в OpenAI без PhD за шесть недель
1ч 10м🎯 Профессор Стэнфорда разобрал ключевые вызовы и методологию исследований Deep RL
1ч 05м🔄 Лекция Стэнфорда о Reward Learning: как научить искусственный интеллект понимать человеческие цели
1ч 14м🚀 Тим Скарфе: «Почему самообучение нейросетей эффективнее человеческой разметки?»
1ч 12м🧬 Разбор POET: Как открытые алгоритмы от Uber генерируют задачи и решения
45 минЯнник Кильхер о RIMs: «Это не мета-обучение, а разделение»
1ч 13м🔄 От симуляции такси до ChatGPT: как максимизация энтропии и отзывы людей обучают современный ИИ
1ч 17м🧠 Стэнфордский профессор объяснил, как сэмплирование Томпсона спасает рекомендательные системы от задержек данных
35 мин🧠 Exploring Large Language Models with ChatGPT - 603
1ч 18м🎯 Юньчжу Ли на CS231N: от моделей мира к большим моделям поведения
39 мин🧠 Как случайные нейросети учатся ходить с помощью пластичности Хебба
1ч 03м🔄 Stanford Online: «Методы Actor-Critic — база для обучения LLM и роботов»
1ч 03м🔄 Эволюция алгоритмов Actor-Critic: как Стэнфорд обучает нейросети на ошибках
45 минЯнник Килчер о Q-Learning: «Возможно, это не связано с Q*»
1ч 33м🌊 Йошуа Бенжио: «GFlowNets — это обучаемая замена методам Монте-Карло»
1ч 02м🔄 Стэнфордский курс CS224R: математический вывод градиентов политики в RL