RT @HeMuyu0327: オンポリシー蒸留は強化学習を超えて、複数ターンのツール使用トレーニングに革命をもたらしますが、それを実装する Tinker や TRL は…
スレッドを読み込み中
X から元のツイートを取得し、読みやすいビューを準備しています。
通常は数秒で完了しますので、お待ちください。
スレッドを読み込み中
X から元のツイートを取得し、読みやすいビューを準備しています。
通常は数秒で完了しますので、お待ちください。
1 件のツイート · 2025/12/12 16:34
RT @HeMuyu0327: オンポリシー蒸留は強化学習を超えて、複数ターンのツール使用トレーニングに革命をもたらしますが、それを実装する Tinker や TRL は…