Лаборатория Tongyi Lab компании Alibaba представила алгоритм FIPO, позволяющий моделям реинфорсментного обучения обрабатывать сложные логические выводы. Этот алгоритм позволяет увеличить длину логической цепочки свыше 10 000 токенов и дал важный результат: модель объёмом 32 миллиарда параметров, использующая FIPO в условиях чистого реинфорсментного обучения, по некоторым показателям превзошла конкурентов, в том числе модель o1-mini от OpenAI.





Дом
