lab4ai

摘要： 01 论文概述 论文名称： Direct Preference Optimization: Your Language Model is Secretly a Reward Model —— DPO：你的语言模型，其实就是个奖励模型 论文链接：https://arxiv.org/pdf/2305.1 阅读全文

摘要： TRM仅使用一个超小的2层网络（7M参数），通过更直接、完整的递归和深度监督机制，在多个基准测试上显著超越了HRM和许多主流LLMs。其最引人注目的成果是在ARC-AGI-1上达到45%的测试准确率，超过了参数量是其数百万倍的LLMs。 阅读全文