🚀S radostí se s vámi podělíme o naši novou práci! 💊Problém: Přesnost BF16 způsobuje velký nesoulad mezi tréninkem a odvozováním, což vede k nestabilnímu tréninku RL. 💡Řešení: Stačí přepnout na FP16. 🎯A je to. 📰Papír: ⭐️Kód: