В последние два месяца я не так много твитил, так как проводил время, изучая и экспериментируя с различными техниками RL. С нетерпением жду возможности поделиться некоторыми наработками: 1. Оптимальный рецепт для обучения GRPO 2. Инструмент на основе RL для повышения конфиденциальности в взаимодействиях с LLM Эксперименты были многообещающими 👀