R

RAG | Нейросети | ИИ | AI | Агенты | Gemini 4 Argon | Kimi K3.1 Pro | Muse Spark Open | DeepSeek V4.1 Flash | MiniMax M3.1 Flash | Claude Haiku 5.5 | GPT-6.1 Sol | Mistral Large 4 | Nemotron 3.5

IT и технологии · 2 сентября 2026 г.

Открыть канал в MAX

RL-дообучение рассуждающей модели обычно требует reward-модель — внешнего критика, кото...

RL-дообучение рассуждающей модели обычно требует reward-модель — внешнего критика, который оценивает каждый шаг. SRPO (ICML 2026) обходится без него: модель сама разбирает свои ошибки и на них учится. На Qwen3-8B это 73,3% на AIME'24 при 8% вычислительных затрат от обычного дообучения. Раз в 12 дешевле. Код на GitHub, лицензии пока нет.