Tencent acaba de acabar con el ajuste fino y la vida real con un presupuesto 🤯 de 18 dólares Desarrollaron un método que reemplaza por completo el Aprendizaje por Refuerzo (RL) tradicional. Se llama GRPO Libre de Entrenamiento. Permite a los LLMs aprender de 100 ejemplos tratando la memoria como un optimizador de políticas.