RAG | Нейросети | ИИ | AI | Агенты | GPT-6 Sol | Muse Wonder | Claude Haiku 5.5 | Claude Opus 5.5 | DeepSeek V4 | Kimi K3
IT и технологии · 19 сентября 2026 г.
RL-агент (Qwen2.5-7B, GRPO) выучил звать инструменты не по делу. Метка-намёк в условии ...
RL-агент (Qwen2.5-7B, GRPO) выучил звать инструменты не по делу. Метка-намёк в условии поднимала частоту Search с 0,9% до 40%: модель цепляется за подсказку, а не за суть, и Python для вычислений так и не осваивает. Лечится наградой за необходимость — судья штрафует лишний вызов. Поиск по пустякам уходит в ноль, точность не падает (92,8 против 88,8 на GSM8K). Стенд синтетический, на реальных задачах авторы не проверяли.
15 просмотров