RAG | Нейросети | ИИ | AI | Агенты | Mistral Large 4 | Claude Haiku 5.5 | GPT-6 Sol | Claude Opus 5.5 | Gemini 4 Argon | DeepSeek V4
IT и технологии · 19 сентября 2026 г.
Статичный верификатор — слабое место RL-агентов, которые учатся звать инструменты: прав...
Статичный верификатор — слабое место RL-агентов, которые учатся звать инструменты: правила задали один раз, а новые ошибки он уже не ловит. UnifiedPlayers делает проверяющего самообучаемым. Три игрока тренируются по очереди (alternating GRPO): планировщик придумывает задачи, исполнитель пишет траектории с Python-вызовами, оценщик — исполняемые верификаторы под свежие промахи. На 12 бенчмарках это дало +3,5% к математике и +3,9% к общим задачам против прежнего лучшего. Свой верификатор отличает верный ход от искажённого в 84,2% случаев, без внешних API. Препринт, не рецензирован; прогон — 432 GPU-часа.