Историја ревизија

Аутор SHA1 Порука Датум
  Jeff Tang 8989e69937 README for grpo пре 3 недеља
  Jeff Tang 7edf3d8df0 llm as a judge running now пре 3 недеља
  Jeff Tang 57c05170eb added llm as a judge reward func пре 4 недеља
  Jeff Tang c88e10fab6 grpo llama 3.2 3b with 3 reward functions пре 4 недеља