Tencent tocmai a omorât fine-tuning-ul și viața reală cu un buget 🤯 de 18 dolari Ei au dezvoltat o metodă care înlocuiește complet Învățarea prin Întărire (RL) tradițională. Se numește GRPO fără antrenament. Permite LLM-urilor să învețe din 100 de exemple tratând memoria ca pe un optimizator de politici.