RAG | Нейросети | ИИ | AI | Агенты | Gemini 4 Argon | Grok 4.7 | GPT-6 Astra | Claude Opus 5.5 | DeepSeek | Qwen 3.8
IT и технологии · 6 октября 2026 г.
Дообучить модель без ручной разметки — гоняешь агента по трём тысячам задач, а успешные...
Дообучить модель без ручной разметки — гоняешь агента по трём тысячам задач, а успешные прогоны идут в выборку. Авторы прогнали 14,6 тыс. траекторий и оставили две тысячи удачных. Наивный файнтюн на сырых прогонах делает только хуже — на бенче TB2 база даёт 57%, после дообучения 53%. В траекториях полно зацикленных и тупиковых ходов, модель копирует их как есть. RSR лечит это переписыванием: удачную траекторию гоняют через Planner/Critic/Executor, критик отсеивает мусор — из двух тысяч источников выходит одиннадцать тысяч чистых примеров, и TB2 прыгает до 74%. Веса открыты, Apache-2.0: RSR-27B.