بچههای هاگینگفیس اومدن یه حرکت تمیز زدن و ابزارهای معروف کدنویسی مثل Claude Code و Codex و OpenCode رو بدون دستکاری، تبدیل کردن به محیط آموزش یادگیری تقویتی (RL)

بچههای هاگینگفیس اومدن یه حرکت تمیز زدن و ابزارهای معروف کدنویسی مثل Claude Code و Codex و OpenCode رو بدون دستکاری، تبدیل کردن به محیط آموزش یادگیری تقویتی (RL). قضیه اینه که یه پروکسی واسط ساختن که فرمتهای مختلف ایپیآی رو میفهمه و دادهها رو تر و تمیز میده دست vLLM و کتابخونه TRL تا هوش مصنوعی درست توی همون محیط واقعی که قراره کار کنه، آموزش ببینه و قلقگیری بشه. توی تستهاشون روی یه مدل جمعوجور نشون دادن که با این روش و تعیین پاداش هوشمندانه، تونستن تعداد صدا زدن ابزارها رو ۳۱ درصد کم کنن و خروجی مدل رو توی چندتا محیط همزمان از ۴۲ به ۵۴ درصد برسونن که حتی آموزش نظارتشده (SFT) هم به گردش نرسید. کل کدها، پروکسی و مدلها هم کاملاً متنباز و عمومی منتشر شده تا هر کی خواست بره حالشو ببره.
منبع
The ultimate guide to multi-harness RL - a Hugging Face Space by FineEnvs
Train open models with RL inside real agent harnesses
خواندن در سایت منبع




نظرها
هنوز نظری نیست.
بخش نظرها فعلاً در دسترس نیست.