Tencent vient de tuer le fine-tuning et le RL avec un budget de 18 $ 🤯 Ils ont développé une méthode qui remplace entièrement l'apprentissage par renforcement (RL). Elle s'appelle Training-Free GRPO. Elle permet aux LLM d'apprendre à partir de 100 exemples en considérant la mémoire comme un optimiseur de politique.