Une équipe de Carnegie Mellon University, avec des chercheurs de Johns Hopkins University et d’Aurora Innovation, propose de réunir le préentraînement, l’affinage et l’apprentissage par renforcement dans un seul algorithme. Selon l’étude, cette méthode améliore le compromis entre précision et puissance de calcul, ainsi que la généralisation et la capacité d’apprentissage continu des modèles. Les expériences ont porté sur des modèles d’environ 124 millions et 760 millions de paramètres. Les chercheurs estiment que cette approche simplifie les infrastructures de développement, mais aucune application commerciale notable ni aucun partenariat de marché n’avait été annoncé au 30 octobre 2026.
Source: Lire l’article original
Avertissement : ce contenu est fourni à titre d’information uniquement et ne constitue pas un conseil en investissement. Les cryptomonnaies sont très volatiles : vous pouvez perdre tout votre capital. Faites toujours vos propres recherches. Mentions légales
