Makalah NeurIPS 2025 oleh tim Qwen: Melampaui Aturan 80/20: Token Minoritas Entropi Tinggi Mendorong Pembelajaran Penguatan yang Efektif untuk Penalaran LLM TLDR: di RLVR seperti GRPO Anda harus menerapkan kerugian hanya pada token entropi tertinggi 20%. [1/7]

Sama seperti Lex, saya mencoba model dunia Tesla di NeurIPS Inilah yang saya pelajari (jelas mereka tidak dapat mengkonfirmasi atau menyangkal hipotesis 😉 saya) Di stan Tesla, Anda dapat mengemudi di model dunia secara real-time, seperti video game. Ini adalah urutan besarnya lebih cepat daripada WM lainnya. [1/4]