Aktualizace stavu Errloom, mé knihovny / sady nástrojů pro zpětnovazební učení. Jde to docela pěkně a brzy začneme trénovat některé koncepty superinteligence. Na obrázku níže je domovská obrazovka aplikace Errloom. Jediný příkaz vezme vstupní trénovací skript a nasadí se do cloudového výpočetního prostředí dle vašeho výběru: zobrazí seznam nabídek v interaktivním seznamu TUI, který si můžete vybrat, připojí se přes SSH, nastaví celé prostředí, naklonuje errloom, spustí vllm server a spustí errloom k trénování – local errloom funguje jako manažer a dashboard, při zahájení školení otevře WanDB ve vašem prohlížeči, Občas stahuje protokoly a kontrolní body a zobrazuje trasování vzdáleného procesu. Žádné zbytečné jupyter nebo jiné zbytečné kroky. Napište si nápovědní prostředí svých snů, spusťte jeden příkaz a odejděte od počítače na oběd. Pomocná zpráva ukazuje, jak jsem nastavil progresivní vývojový workflow. Protože pracuji s nulovým rozpočtem a zdroji, musím využít každou korunu. Zapomeňte na pronájem cloudových výpočtů jen kvůli vývoji této knihovny. Potřebujeme ho, abychom mohli projít většinu programového obvodu na mohutném domácím nastavení. Abych toho dosáhl, vymyslel jsem řadu příkazů a příznaků funkcí pro postupné testování, stavím celý pipeline cihlu po cihle, dokud nemáte plnou 100% jistotu a povědomí o tom, že GRPO a backprop obdrží přesně ta kontextová okna a masky tokenů, které chcete.