this is going to marginally improve the quality of results. though my guess is the point about the choice of *PO not having any impact wouldn't be true for every scenario.
正在加载线程详情
正在从 X 获取原始推文，整理成清爽的阅读视图。
通常只需几秒钟，请稍候。
来自 tokenbender（@tokenbender）的推文线程
共 2 条推文 · 2025年10月31日 05:57
作者信息
RL and efficient distributed pretraining • eXperiments lab • memes and training lores
共 2 条推文·Fri Oct 31 05:57:38
已翻译为 ZH
线程正文