dexblog.ro
Acces rapid: Învață AI Învață Programare Specificații Dispozitive Comparații
DEEPSEEK Toate comenzile DeepSeek (V4 & R1)

Sistemul de Recompense Bazat pe Reguli Obiective (Rule-Based Rewards) în DeepSeek (V4 & R1)

Algoritmi de Antrenare și RL DeepSeek-R1 Q&A AI / Distribuie cod

Evitarea 'Reward Hacking'-ului prin utilizarea compilatoarelor și a verificatoarelor matematice deterministe.

Sintaxă & invocare 
Reward = Verificator Acuratețe Matematică (SymPy) + Verificator Formatare (<think>...</think>)

Modelele de recompensă neurale pot fi manipulate de LLM prin răspunsuri lungi și lingușitoare. DeepSeek a folosit recompense deterministe: codul trece testele? Ecuația este corectă?

Structura funcției de recompensă

1. Recompensă de Acuratețe: 1.0 dacă rezultatul numeric coincide cu soluția oficială, 0.0 altfel.
2. Recompensă de Format: 1.0 dacă procesul de gândire este încapsulat corect în tagurile <think> și </think>.

Garantează antrenarea riguroasă a modelului pe logică pură fără devieri semantice.

Învață AI • Comunitate & Q&A

Întrebări & Exemple practice: Sistemul de Recompense Bazat pe Reguli Obiective (Rule-Based Rewards)

Ai o întrebare despre Sistemul de Recompense Bazat pe Reguli Obiective (Rule-Based Rewards) sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!

🤖

Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!

Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.

Comunitate AI Adaugă o întrebare sau distribuie un cod / prompt

Moderare & Siguranță:

Pentru a menține calitatea și securitatea informațiilor, fiecare întrebare sau fragment de cod/prompt este analizat (manual sau prin moderare asistată de AI) înainte de publicare.