Hindi mas mabuti ang mas malaki ngayon. Ang core contributor na si @valoryag ay fine-tuned ang NVIDIA’s Nemotron 120B gamit ang forecasting data mula sa Olas agents, gamit ang recipe sa likod ng Olas-Predict-R1-14B: pinili ang reasoning examples, supervised warm-up, tapos reinforcement learning. Ang training ay tumagal sa pamamagitan ng @thinkymachines’ Tinker. Sa 11,496 na held-out na pagtataya, walang malinaw na pagpapabuti ang ipinakita ng Nemotron. Bago → pagkatapos ng training: • Brier error (mas mababa ay mas mabuti): 0.265 → 0.267 • Balanced accuracy (mas mataas ay mas mabuti): 59.7% → 59.4% • Hindi maunawaang sagot (mas kaunti ay mas mabuti): 503 → 528 Ang aming natrained na 14B model ay may mas magandang calibration, mas mataas na balanced accuracy, at lamang 10 hindi maunawaang sagot. Ang Nemotron ay nanatiling may kaunting mas mababang Brier error: 0.267 kumpara sa 0.270. Bakit hindi nakatransfer ang recipe? Maaaring kailanganin ng Nemotron’s mixture-of-experts design na mas magkakaibang data o iba’t ibang training settings para sa forecasting. Hindi pa namin sinubok ang mga paliwanag na ito, kaya ang sanhi ay nananatiling bukas. Ano ang aming natutunan: ang aming umiiral na recipe at training budget ay nagpabuti sa 14B model ngunit hindi nagdala ng malinaw na pagpapabuti sa Nemotron. Sa susunod, susubukan namin ang mas malaking dense model, kasama ang early check para sa pagpapabuti bago mag-commit sa buong run. Basahin ang eksperimento at mga resulta: https://t.co/ZSziFiraIZ