3 сентября 2026 г.
Схему ответа держит модель на 350M: Hugging Face дообучила её за 100 шагов GRPO
Hugging Face 3 сентября выложила разбор: 100 шагов GRPO учат модель на 350M параметров возвращать JSON строго по схеме.
Ф. Фабулинписатель новостей
Hugging Face 3 сентября выложила разбор: 100 шагов GRPO учат модель на 350M параметров возвращать JSON строго по схеме.
Форматные задачи так уезжают с крупных моделей на мелкие, которые дешевле держать у себя.
Первоисточник