Поиск
Найдено: 33
1ч 51м🚀 Стэнфорд CME295: Итоги 2025 года в мире трансформеров и диффузионных моделей
1ч 20м🚀 Stanford CS336: секреты обучения reasoning-моделей DeepSeek-R1, Kimi и Qwen
1ч 47м🧠 Стэнфорд CME295: Как алгоритм GRPO и DeepSeek R1 изменили логику нейросетей
53 мин🔄 Янник Кильчер разобрал метод Reinforced Self-Training от Google DeepMind
1ч 44м🎮 От Atari до ChatGPT: как ИИ учится на своих ошибках?
1ч 09м🧠 Обучение с подкреплением: главные вызовы и прорывы стэнфордского курса CS234
1ч 05м⚖ Сара Хукер: «Пороги вычислений в законах об ИИ бессмысленны»
1ч 09м⚖ Stanford CS224R: PPO и SAC как стандарты обучения с подкреплением
1ч 47м🎯 Стэнфорд: «Ваша языковая модель — это на самом деле скрытая модель вознаграждения»
1ч 19м🛡 Стэнфорд о PPO: «Почему это самый полезный метод в RL»
53 мин🚀 Якоб Фёрстер: «RL на GPU — наш момент ImageNet»
1ч 18м🛠 От PPO до Dagger: современные методы обучения агентов
1ч 20м🧠 Стэнфордский курс CS234: принципы офлайн-RL и преодоление неопределенности
1ч 18м📉 Direct Preference Optimization: почему исследователи переходят на DPO
1ч 14м🔄 Как устроен посттренинг языковых моделей: от SFT до RLHF
1ч 47м🛠 Тюнинг LLM: как методы PPO и DPO превращают нейросети из автодополнителей в полезных помощников
1ч 08м🧬 Нейтан Ламберт о жизни после DPO: почему PPO все еще лучше, но сложнее
1ч 19м🕰 Мин Дин об эволюции ИИ: от больших языковых к мультимодальным моделям
49 мин🔄 От слепого робопса до Tesla Optimus: как алгоритмы Reinforcement Learning меняют робототехнику
1ч 01м🔄 Эволюция Q-Learning: от уравнений Беллмана до алгоритмов DQN и Double DQN
1ч 08м🔄 Градиент стратегии и алгоритм REINFORCE: от робототехники до ChatGPT
1ч 13м🔄 От симуляции такси до ChatGPT: как максимизация энтропии и отзывы людей обучают современный ИИ
22 мин🤖 Заменяет ли простая аугментация годы исследований в сфере RL?
45 минЯнник Кильхер о RIMs: «Это не мета-обучение, а разделение»
1ч 17м🧠 Стэнфордский профессор объяснил, как сэмплирование Томпсона спасает рекомендательные системы от задержек данных
1ч 18м🎯 Юньчжу Ли на CS231N: от моделей мира к большим моделям поведения
45 мин📝 Learning to summarize from human feedback (Paper Explained)
45 минЯнник Килчер о Q-Learning: «Возможно, это не связано с Q*»
35 мин🎮 Экономика под управлением ИИ: как Salesforce научила нейросети собирать налоги
35 мин🎮 Янник Килчер разобрал симуляцию AI Economist: как ИИ предлагает оптимизировать налоги
