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 · 26 октября 2026 г.

Открыть канал в MAX

Проверку базы после работы агента из ThinkingBox взяли наградой для RL — чек исполняемы...

Проверку базы после работы агента из ThinkingBox взяли наградой для RL — чек исполняемый, судью-модель зовут лишь на узкие требования, задачи набраны вне бенчмарка. Qwen3.8-27B, GRPO, 50 шагов: pass@1 51,70% → 60,78%. Заданий, где удались все 20 попыток, стало 107 вместо 38. Минус рядом: pass@20 просел, 453 → 446. Шире модель не стала, стала повторяемее. Цифры авторов, один прогон. huggingface.co/blog/microsoft/thinkingbox-training