MTRL в SageMaker: Wordle как стенд для многоходового агента с одной наградой
MTRL в SageMaker: Wordle как стенд для многоходового агента с одной наградой Где взять метки по шагам, если агент закрывает задачу цепочкой вызовов, а в датасете лежит только финал — сработало или нет? В гайде AWS другой цикл: задача уходит на Bedrock AgentCore, политика ходит до исхода, награда одна, эталонного сценария в обучающей выборке нет. Обычное дообучение по готовым ответам тут не разнесёт награду на ходы за несколько шагов до финала. Учебный Wordle: на отложенных словах gpt-oss-20b после сотни шагов поднял долю решённых игр с 61% до 84%. Игра — только стенд с понятным счётом, не продакшен-фича. Крутите похожих агентов в своём аккаунте AWS — посмотрите репозиторий aws-samples: деплой на AgentCore, smoke-тест и где чаще ломаются IAM и функция награды.