{
"type": "supervised",
"supervised": {
"hyperparameters": {
"batch_size": "auto",
"learning_rate_multiplier": "auto",
"n_epochs": "auto"
}
},
"dpo": {
"hyperparameters": {
"beta": "auto",
"batch_size": "auto",
"learning_rate_multiplier": "auto",
"n_epochs": "auto"
}
},
"reinforcement": {
"grader": {
"type": "string_check",
"name": "string",
"input": "string",
"reference": "string",
"operation": "eq"
},
"hyperparameters": {
"batch_size": "auto",
"learning_rate_multiplier": "auto",
"n_epochs": "auto",
"reasoning_effort": "default",
"compute_multiplier": "auto",
"eval_interval": "auto",
"eval_samples": "auto"
}
}
}