ModelНе подтверждена
philomath-1209/gpt2-reward_model_hh-rlhf
Модель поведения агента: используется для выбора действий в среде в задачах обучения с подкреплением.
Owner / publisherphilomath-1209
Source publisher
philomath-1209
This owner's products in the Peerivo catalog.
Open owner's website ↗