Commit történet

Szerző SHA1 Üzenet Dátum
  Jeff Tang 8989e69937 README for grpo 3 hete
  Jeff Tang 7edf3d8df0 llm as a judge running now 3 hete
  Jeff Tang 57c05170eb added llm as a judge reward func 4 hete
  Jeff Tang c88e10fab6 grpo llama 3.2 3b with 3 reward functions 4 hete