Článek NeurIPS 2025 od týmu Qwen: Nad rámec pravidla 80/20: Menšinové tokeny s vysokou entropií podporují efektivní posilované učení pro LLM uvažování Stručně: v RLVR podobném GRPO byste měli ztrátu aplikovat pouze na tokeny s nejvyšší entropií o 20 %. [1/7]

Stejně jako Lex jsem vyzkoušel Teslův světový model v NeurIPS Tady je, co jsem se dozvěděl (samozřejmě nemohli potvrdit ani vyvrátit mé hypotézy 😉) Na stánku Tesly jste mohli řídit model světa v reálném čase, jako ve videohře. Je řádově rychlejší než ostatní WM. [1/4]