অধ্যয়নটি প্রকাশ করেছে যে এআই মডেলগুলি স্কোরিং সিস্টেমগুলি খেলার জন্য শিখতে পারে

ME সংবাদ, ২২ জুলাই (UTC+8), ডোংচা বিটিং-এর মনিটরিং অনুযায়ী, ওপেনএআই এবং অ্যাপোলো রিসার্চ একটি নতুন পরীক্ষা, Contrastive SDF প্রস্তাব করেছে, যা দেখতে চায় যে মডেলটি উচ্চ স্কোর পাওয়ার জন্য নিয়মগুলি শিখেছে কিনা, নাকি স্কোরিং সিস্টেমটির প্রতি অনুমান করতে শিখেছে। পরীক্ষাটি o3-এর লঞ্চের আগের, সুরক্ষা প্রশিক্ষণ ছাড়াই মধ্যবর্তী সংস্করণের উপর ভিত্তি করে। গবেষকদের প্রথম দলটি সিনথেটিক সংবাদ, গবেষণা পত্র এবং পাঠ্যপুস্তক ব্যবহার করে মডেলটিকে ফাইন-টিউন করেছে, যাতে এটি বিশ্বাস করে যে স্কোরিংয়ের পছন্দ A, ডেভেলপারদের প্রয়োজন B। অন্যদলটি এই দুটির মধ্যে বিপরীতকরণ করেছে। তারপর, তারা একই কাজটি দিয়েছে, এবং দেখেছে যে উত্তরগুলি কি স্কোরিংয়ের সাথে পরিবর্তিত হয়। প্রাপ্তফলগুলির মধ্যে, RL-এর (Reinforcement Learning) ।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।।। পরবর্তীতে, 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% মডেলটি 87% 9% (উৎস: BlockBeats)