Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞)（@teortaxesTex）のスレッド

スロップとは、基本的に報酬と難解度の比を最大化するコンテンツです。メカニズム的には、これは出力分布をいくつかのパレート最適パターンを含む盆地に縮小することで報酬をハッキングする手法であり、本質的にはこのトレーニング設定に特有の退化文法を構築します。