谷歌研究人员提出了一种名为Self-Play Preference Optimization (SPO) 的自我对弈优化算法。该算法相比传统的强化学习对齐方式更加简单。研究人员运用博弈论，找到了对噪声干扰鲁棒性强、性能表现优异的单人自我对弈...

稳定性人工智能公司发布了StableLM Zephyr 3B稳定聊天模型，该模型是StableLM 3B-4e1t模型的一个扩展，灵感来源于Zephyr 7B模型，旨在实现高效的文本生成，特别是在指令跟踪和问答上下文中。该模型已经使用直接偏好...

优化方法的收敛速度是一个数学极限，它决定了在该优化方法指引下，模型找出最佳解决方案的快慢。最新研究发现，周期性学习率可以通过偶尔采取巨大步长得到改进。这项研究极具说服力，它揭示了通过增加优化步骤长度，...