raskt lite jukseark

Dere forstår ikke. Dette er hva vi kaller en "god bit"

det ble utgitt hundre artikler i år som egentlig bare laget et nytt RL-miljø som nå alle er uvedlikeholdte veRL-gafler

"her er en RL env for å gjøre tingen, bare installer den + gå nøtter"

Når gradienten av ytelsesskalering blekner, flater det evolusjonære landskapet av modeller ut, dette resulterer i artsdannelse i parameter / hyperparameterrom. Bullish på RL-miljøer, nav og spesifisering av modeller til spesialisert ekspertise for best kostnad/ytelseseffektivitet.

Når jeg ser med egne øyne hvor mye de takler akkurat nå, føles dette nesten som et sideprosjekt - ikke fordi det er mindre viktig, men fordi alle i teamet er 10x ingeniører. Shoutout til 10x vekst- og arrangementsmannskapet også - @madisenxtaylor og @afurgs. Bullish.

.@willccbb (forskningsleder, Prime Intellect) om hvordan RL-miljøer egentlig fungerer: «Et miljø er i hovedsak en eval. Du har inndataoppgaver, en sele, og til slutt scorer den hvordan modellen eller agenten din presterer. Det er oppsettet vi bruker for både evals og RL-trening." Han legger til at fremtiden ikke bare handler om å «få 100 000 GPUer i én gigantisk klynge».

Er noen slutningsleverandører interessert i å sponse noen kreditter for å validere eval-implementeringer? Vi har en hær av mennesker som jobber hardt med å portere Evals + leter etter en bedre måte å gi dem endepunkttilgang med anstendige hastighetsgrenser for stresstesting

> førsteklasses intellekt ansetter @willccbb >Hei, jeg lurer på hva de skal gjøre med fyren som bygde et superbrukervennlig og hackbart RL env-rammeverk > førsteklasses skipsplattform for RL env som er superenkel å bruke og hackbar > hellig dritt

I løpet av de kommende ukene kommer et av våre store mål til å være onboarding og stresstesting av et stort antall populære evals for å sikre at vi kan reprodusere poeng Hvis du har opprettet en, vennligst ta kontakt direkte, vi vil gjerne chatte! Hvis du vil ha hjelp eller komme med, se nedenfor: