किस हद तक नीतिगत आसवन प्रशिक्षण और अनुमान के बीच असंगति को सहन कर सकता है?
ऑन-पॉलिसी आसवन परीक्षण किए गए reinforcement learning विधियों की तुलना में प्रशिक्षण-निष्कर्ष असंगति के लिए बहुत अधिक सहिष्णुता वाले क्वांटिज़्ड या अतुल्यकालिक रोलआउट से सीख सकता है। एक सात अरब पैरामीट…