Historie revizí

Autor SHA1 Zpráva Datum
  Jeff Tang 7edf3d8df0 llm as a judge running now před 3 týdny
  Jeff Tang 57c05170eb added llm as a judge reward func před 4 týdny
  Jeff Tang c88e10fab6 grpo llama 3.2 3b with 3 reward functions před 4 týdny