Caută în știri_

1 rezultat pentru „on-policy distillation”

• 08:13aiDistilarea on-policy funcționează cu puține date suplimentareAutoDAgger colectează traiectorii de corecție de la profesor în timpul execuției politicii studentului, eliminând etapa separată de colectare a datelor supravegheată de oameni. În evaluări pe trei sarcini de manipulare, metoda a îmbunătățit performanța studentului cu relativ puține episoade și a depășit metodele de referință testate, însă eficiența sa în alte domenii rămâne de confirmat.