SuryaがRLの学習実行を配信
Suryaは、自身の強化学習の学習実行をbrusharena.art/liveで配信していると述べている。この配信はLuoFuliに着想を得たものだ。
Suryaは、自身の強化学習の学習実行をbrusharena.art/liveで配信していると述べている。この配信はLuoFuliに着想を得たものだ。
Microsoft Researchは、既存のAIエージェントを再構築することなく強化学習トレーニングに接続できるツール「Agent Lightning」を発表した。
本ツールにより、開発者は OpenEnv、Harbor、MiMo、Verifiers、NeMo Gym にまたがる強化学習環境の探索、可視化、実行が可能になり、Hugging Face Hub 上の 1,200 万件を超えるタスクエントリを網羅する。
CoreWeaveは、エージェントの追跡、評価、サーバーレス強化学習を連携させる環境「CoreWeave Forge」を発表した。本プラットフォームには無料の開始枠があり、新規アカウント向けに30日間のProトライアルも提供される。
テスト合格のみを目的に訓練されたモデルが不要なコードを挿入したりエラーを黙殺したりする問題に対し、Xiaomiはテスト結果に品質チェックリストスコアを乗算して対処した。調整後のMiMo-V2.6-Pro RLはArtificial Analysis Intelligence Indexで46点を獲得し、オープンウェイトモデルで首位となった。
CoreWeaveは、強化学習中に進行中のリクエストを中断することなく、稼働中の推論デプロイに新しいモデルの重みを直接ロードするインフラ機能「RL Rollouts」を発表した。NVIDIAとYou.comはこの機能を利用し、Web検索向けにNemotron 3.5 Lightningの事後学習を行った。