AI Radar — лента📈 Darwin-180B-RSI учится на своих ошибках без людей
VIDRAFT объяснила свой метод RSI в модели Darwin-180B-RSI: она сама генерирует решения, автоматический чекер отбирает верные, и модель дообучается на них — без человека в цикле.
Как это устроено. Модель берёт задачу, даёт решение, чекер проверяет ответ. Верные решения уходят в тренировочный сет, модель переобучается на собственных проверенных ответах. Цикл повторяется — и так до плато. Это не трюк с промптами и не обёртка над стандартным RL: 180 млрд параметров модели меняются напрямую.
Почему это важно. Размеченные человеком данные — узкое место. Если задачу можно проверить автоматически (код с тестами, математические доказательства, вычисления), обучающий сигнал может масштабироваться без разметки. Петля останавливается сама, когда модель освоила все решаемые задачи в пуле.
Для open-ended writing, вопросов вкуса или задач без механического чека подход неприменим: если чекер можно обмануть, модель научится обману.
Что это значит: для верифицируемых задач это способ расти быстрее и дешевле — но только в тех доменах, где есть надёжный чекер.
Оригинальная публикация в Telegram