La tienda GPT se lanza oficialmente: las aplicaciones de IA alcanzan un nuevo hito

Investigación conjunta de DeepSeek y Tsinghua: Un método innovador de inferencia de modelos de recompensa para mejorar la escalabilidad

Recientemente, investigadores de DeepSeek y Tsinghua publicaron un nuevo artículo que explora métodos de escalamiento para la inferencia de modelos de recompensa, lo que acerca aún más a DeepSeek R2. Actualmente, el aprendizaje por refuerzo se utiliza ampliamente en la fase de entrenamiento posterior a gran escala de los modelos lingüísticos grandes, pero se enfrenta al desafío de obtener señales de recompensa precisas para estos modelos. Los investigadores descubrieron que el uso del modelado generativo de recompensas puntuales (GRM) puede mejorar la capacidad de adaptación del modelo y la escalabilidad en la fase de inferencia. Para ello, propusieron el aprendizaje de Optimización de autoevaluación de principios (SPCT).