🚀Innolla voidessamme jakaa uuden työmme! 💊Ongelma: BF16-tarkkuus aiheuttaa suuren harjoittelun ja päättelyn yhteensopimattomuuden, mikä johtaa epävakaaseen RL-harjoitteluun. 💡Ratkaisu: Vaihda vain FP16:een. 🎯Se siitä. 📰Paperi: ⭐️Koodi: