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 августа 2026 г.

Открыть канал в MAX

Инженеры NVIDIA нашли дыру в RL-обучении агентов: модель использует инструменты лишь в ...

Инженеры NVIDIA нашли дыру в RL-обучении агентов: модель использует инструменты лишь в 30% прогонов. А когда использует — ошибается всей группой в 40% случаев. В остальное время гадает текстом. AXPO ловит этот момент на границе «мысль → действие»: фиксирует размышления как префикс и перебирает варианты tool-вызова. Просто resampling в нужной точке. Прирост +1.8 п.п. на 9 бенчмарках. 8B-модель с AXPO обходит 32B-базовую на Pass@4. Код закрыт, статья — arXiv 2605.28774.