RL

XiaomiMiMoが公開したLLMエージェント向け強化学習データセット「MiMo-V2.6-RL-oss」と、フレームワークverlを用いた5ドメインのトレーニング環境の構成や再現手順を解説します。

コード・データサイエンス領域で小規模モデルの強化学習・評価を行うための5.5K以上のタスクを収録したデータセット「FineEnvs/SmolDataEnvs」の概要と使い方を解説します。