С гордостью представляем оптимизацию политики последовательности группы (GSPO) — наш стабильный, эффективный и производительный алгоритм RL, который обеспечивает крупномасштабное обучение RL последних моделей Qwen3 (Instruct, Coder, Thinking) 🚀 📄
193,13K