Экс-сотрудник OpenAI запустил стартап для создания RL-данных

Эндрю Хо, соавтор бенчмарка GeneBench-Pro, ушёл из OpenAI и основал стартап, который будет генерировать специализированные датасеты для обучения LLM. На старте проект сосредоточится на биологии, статистике и анализе лабораторных снимков.

Эндрю Хо, соавтор бенчмарка GeneBench-Pro, покинул OpenAI и запустил собственный стартап. Проект займётся созданием специализированных датасетов для обучения LLM, чтобы помочь моделям осваивать сложные практические задачи без участия человека. Подход стартапа основан на наборах данных, максимально приближённых к реальным научным исследованиям, но с заранее известными эталонными ответами. Это позволит агентам свободно искать решение, а системе — автоматически проверять его корректность. По словам Хо, такой подход уже показал эффективность в GeneBench-Pro. На старте стартап сосредоточится на биологии, статистике и анализе реальных лабораторных снимков, а позже планирует создавать обучающие выборки для химии, материаловедения, медицины и сложных офисных задач.

Источники 1

Экс-сотрудник OpenAI запустил стартап для создания RL-данных Machinelearning

✔️ Экс-сотрудник OpenAI основал стартап для создания качественных RL-данных

Эндрю Хо, соавтор бенчмарка GeneBench-Pro покинул компанию ради запуска собственного проекта.

Безымянный пока стартап займется генерацией специализированных датасетов для обучения LLM.

По мнению Эндрю, современные языковые модели всё ещё ограничены и предвзяты - для освоения сложных практических задач им не хватает качественных данных, которые позволили бы моделям тренироваться без вмешательства человека.

Решение Хо заключается в создании наборов данных, максимально приближенных к реальным научным исследованиям, но с заранее известными эталонными ответами. Это даст агентам возможность свободно искать алгоритмы решения, а системе -
автоматически и безошибочно проверять их корректность.

Эффективность такого подхода уже доказал GeneBench-Pro. В этом тесте по биологии модель GPT-5.6 Sol Pro смогла решить лишь 31,5% из 129 предложенных задач.

На старте детище Хо сфокусируется на биологии, статистике и анализе реальных лабораторных снимков. Позже стартап планирует создавать обучающие выборки для химии, материаловедения, медицины и сложных офисных задач.

Хо уверен, что нехватка верифицируемых данных - это главная проблема индустрии, на преодоление которой топовые лаборатории вскоре потратят более 100 миллиардов долларов.

@ai_machinelearning_big_data

#news #ai #ml