Sandisk, у них, видите ли, NAND-память. Чипы. Как песок, только из кремния. Они с японцами, Kioxia, в партнерстве. Делят расходы, делят заботы. Экономия, знаете ли, важна. А потом, они сами всё собирают. От пластин до готовых накопителей. Как будто строят замки из песка, только очень дорогие. Micron этим не занимается. Им просто чипы нужны. А Sandisk хочет всё контролировать. Как будто это что-то меняет. Сойдет.
На прошлой неделе, пока все обсуждали, кого там назначат в Федеральную резервную систему, рынки облигаций тихонько подавали сигнал. Короткие облигации поползли вниз, а длинные – вверх. Эта штука называется «крутая кривая доходности», и, если верить экспертам, это предвестник инфляции. Лично я не верю ни в каких экспертов, но признаю, что когда облигации ведут себя странно, это всегда плохо. Особенно для тех, кто любит стабильность. А я, признаюсь, люблю стабильность. Хотя и не всегда ее добиваюсь.
Позвольте представить вашему вниманию краткий обзор действующего состава. Господин VOO, подобно добропорядочному хозяину, довольствуется скромной платой за управление – всего 0.03%. Он щедр на дивиденды, предлагая доходность в 1.11%. Господин QQQ, напротив, более требователен, взимая 0.18% за свои услуги. Дивиденды же его, как вздох увядающей розы, не столь обильны – всего 0.45%.
![Предлагаемый фреймворк оценивает расхождения между распределениями, используя как верифицируемые сигналы вознаграждения [latex] r(x,y) [/latex] для выявления пар «вопрос-ответ» с высокой и низкой результативностью ([latex] {\cal D}^{+} [/latex] и [latex] {\cal D}^{-} [/latex] соответственно), так и данные о предпочтениях пользователей, комбинируя информацию для достижения согласования политики с помощью алгоритма [latex] ff-HAL [/latex], который интерполирует между согласованием предпочтений и вознаграждения на основе политики.](https://arxiv.org/html/2602.05946v1/figs/f-grpo_HQ.png)
В статье представлен унифицированный метод, использующий оценку расхождений, для более эффективного обучения и адаптации больших языковых моделей.
Исследователи предлагают метод, позволяющий языковым моделям сохранять разнообразие стратегий рассуждений и избегать «коллапса» в процессе обучения.