AIが苦手問題を繰り返し学習

ZPPOは、難しい質問をreplay bufferに保存し、モデルがそれらを一度だけ見るのではなく、繰り返し学習できるようにします。この方法は、困難な例に対する学習を強化し、rollout accuracyを向上させるように設計されています。