10月 29 2026 0 LLM推薦のトークン別評価を類似ユーザー履歴で補うRPSD自己蒸留 投稿者: 亜美と智也のAI論文解説 編集部 RPSDは、LLMベースの連続推薦でGRPOなどが抱える「系列単位報酬が全トークンに共有される」問題と「単一ユーザーの履歴だけで監督する」問題を狙う訓練手法です。
12月 08 2025 0 AIが自分で自分を賢くする！？強化学習不要の画期的学習法「セマンティック・ソフト・ブートストラップ」の秘密 投稿者: ユウ 解説 ねえねえ、智也くん！これ見て！『Semantic Soft Bo…