"Reinforcement Pre-Training" je velmi užitečný, když chcete použít řetězec myšlenek ke zlepšení výkonu při úkolech, jako je předvídání dalšího slova tohoto _____

Bylo o tom asi 5 článků. Všechny ukazují, že je to lepší než nedělat nic na úlohách predikce s jedním tokenem. Samozřejmě, že je! Bylo by to šílené, kdyby tomu tak nebylo! Ukazují některé z nich něco zajímavého nebo překvapivého?