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 · 8 августа 2026 г.

Открыть канал в MAX

RL для агентов — боль. Награда приходит только в конце эпизода, а шагов могут быть сотн...

RL для агентов — боль. Награда приходит только в конце эпизода, а шагов могут быть сотни. Какое из них сработало — поди пойми. AgentOPSD обходит это байесовским апдейтом в log-odds на каждом шагу, без критика и без лишних прогонов. Qwen2.5-7B после файнтюна выдаёт 89.1% на ALFWorld и 90.2% на WebShop — выше GRPO и всех self-distillation-бейзлайнов. Код: github.com/ZethWang/AgentOPSD.