Soy un gran fan de hacer el código más corto, más bonito y más potente al mismo tiempo. ToolEnv necesitaba una renovación.

una de mis partes favoritas de trabajar en Prime Intellect es poder elegir los nombres tontos cada vez que alguien lanza una nueva instancia.

RL pasó de no funcionar en absoluto a funcionar tan bien que el código puede tener errores de corrección importantes y no te das cuenta porque simplemente sigue funcionando.

uno de estos días voy a empezar a aplastar commits, pero hoy no es ese día

es una pena que nos estemos quedando sin datos de internet porque todos, en conjunto, dejaron de subir nuevo contenido a la red.

ChatGPT debería tener un gran interruptor verde que diga "Modo Syco"

Receta para post-entrenar Qwen3 1.7B en un modelo DeepResearch ¿Qué significa que algo pequeño piense profundamente? Conoce a Lucy, un Qwen3-1.7B post-entrenado como un modelo DeepResearch basado en los verificadores de @willccbb. Reglas Primarias Basadas en Recompensas: - Corrección de respuestas Verificamos si la respuesta final contiene literalmente la respuesta correcta. Esta coincidencia de subcadenas es económica y evita llamar a un juez LLM más grande. - Ratio de visitas/búsquedas Si el agente visita al menos tantas páginas como emite consultas de búsqueda, recibe ((visit_search_ratio - 1) / 4) ** 0.25. Si busca más de lo que visita, la puntuación es -0.5. Formato / Recompensas Anti-Hacking de Recompensas: - Éxito en la ejecución de herramientas Cada llamada a la API que devuelve sin error cuenta. La recompensa es (successful_calls * unique_tools_used) / total_call_attempts. - Eficiencia de pensamiento Una penalización sesgada-normal centrada en 70 tokens desincentiva una cadena de pensamiento interminable entre llamadas a herramientas, mientras que aún permite suficientes tokens para la planificación. Así es como Qwen3 1.7B aprendió a buscar, visitar y sintetizar información. ¡Los modelos pequeños también pueden hacer investigaciones profundas!

si un modelo utiliza varias llamadas a herramientas secuenciales intercaladas con razonamiento en cadena de pensamiento para responder a una sola pregunta, esto es:

el concepto de vagueposting sobre cosas que ya están en github

necesito enviar solo un par de cosas más pequeñas y luego puedo enviar la cosa grande la próxima era va a ser tan divertida, realmente todo se está juntando, wow