Новости
Finetuning with Sampling: SFT Learns Better Than You Think
arXiv cs.AI · Опубликовано · 3 мин чтения
За 30 секунд
- Что произошло
- Researchers developed an MCMC sampling algorithm that transforms off-policy training data to be more on-policy, enabling supervised finetuning to match reinforcement learning performance.
- Почему это важно
- Relevant for engineers building posttraining pipelines who want better generalization and less catastrophic forgetting when adding new capabilities to language models.
- На что обратить внимание
- Paper is recent arXiv submission without peer review or independent verification. Practical scalability and computational cost of the MCMC sampling step remain unclear.
- rag
- reinforcement learning
- phi
Паттерны, стоящие за этой новостью
- Structured Reflection (Think Tool)
- Reinforcement Learning from Human Feedback
- Memory Decay & Forgetting Policies
Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.
The Agent Architect
Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.
Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.