Update README.md

README.md

@@ -1272,4 +1272,68 @@ async def main():
                 logger.error(f"Unexpected error: {e}")
 
 if __name__ == "__main__":
-    asyncio.run(main()) ``` </pre>
+    asyncio.run(main()) ``` </pre>
+
+# LiberalMind version 1.5 – самая точная модель до 10B параметров, созданная в россии
+
+🧠 Объяснимое обучение с критиком: GMPO
+Эта архитектура направлена на более объяснимое и структурированное рассуждение, используя обновления через RL с регуляризацией KL-дивергенцией и обратной связью от критика.
+
+🔁 GMPO-пайплайн (структурированная политика)
+Обработка задачи проходит через 4 этапа:
+
+G — Generate: модель генерирует черновой ответ
+
+M — Match: проверяет соответствие логике и требованиям задачи
+
+P — Plan: строит план исправлений
+
+O — Optimize: применяет улучшения и формирует финальный ответ
+
+Вся траектория {a₀, p, a*} считается развёрткой политики (policy rollout).
+
+🧾 Модуль Критика (внешний оценщик)
+В отличие от классического GMPO, здесь используется Critic-модуль:
+
+Даёт награду за корректность и качество рассуждений
+
+Анализирует структуру плана и логическую связанность
+
+Оценивает отклонение от старой политики (policy shift)
+
+Возвращает метаданные: тип ошибки, качество плана, интуитивный разрыв
+
+💡 Интуитивная оценка (Intuition Alignment)
+Вводится новый сигнал — интуиция:
+
+Модель сама оценивает, насколько уверена в ответе (I_model ∈ [0,1])
+
+Сравнивается с реальной наградой от критика → считается разрыв:
+ΔI = |I_model − r|
+
+Цель — минимизировать ΔI, что помогает развить метапознание: "насколько хорошо я понимаю, что делаю?"
+
+⚖️ Оптимизация политики с KL-дивергенцией
+Функция обучения:
+
+L(θ) = Eₜ[π(τ)/π_old(τ) ⋅ r(τ) − β⋅D_KL[π(·|s) || π_old(·|s)]]
+
+Где:
+
+θ — параметры только LoRA-адаптеров
+
+β — коэффициент KL-наказания
+
+r(τ) — награда от критика
+
+D_KL — сдерживает обновления, удерживая политику рядом с эталоном
+
+🛠 Только LoRA-обновления
+Обновляются только LoRA-адаптеры
+
+Основная модель остаётся замороженной
+
+Это позволяет быстро и безопасно дообучать без потери уже обученных знаний.
+
+
+