Prime Intellect で働いていて私が一番気に入っていることの 1 つは、誰かが新しいインスタンスを起動するたびにばかげた名前を選ぶことです

RLはまったく機能しなかった状態から非常にうまく機能するようになり、コードに重大な正確性のバグがあり、それでも機能するため気付かない

いつかコミットをスカッシュし始めるつもりですが、今日はその日ではありません

誰もが一斉に新しいコンテンツをインターネットに載せるのをやめたため、インターネットデータが不足しているのは残念です

ChatGPT には、「Syco モード」という大きな緑色のスイッチがあるはずです

Qwen3 1.7BをDeepResearchモデルにポストトレーニングするレシピ 小さなことが深く考えるとはどういうことでしょうか?@willccbbの検証ツールに基づくDeepResearchモデルとして、事後トレーニングされたQwen3-1.7BであるLucyをご紹介します。 主なルールベースの報酬: - 回答の正解 最終的な回答に文字通りグラウンドトゥルースの回答が含まれているかどうかを確認します。この部分文字列の一致は安価であり、より大きな LLM ジャッジを呼び出す必要がなくなります。 - 訪問/検索率 エージェントが検索クエリを発行するページ数と少なくとも同じ数のページにアクセスすると、((visit_search_ratio - 1) / 4) ** 0.25 を受け取ります。訪問数よりも検索数が多い場合、スコアは -0.5 です。 フォーマット / アンチ報酬ハッキング報酬: - ツール実行の成功 エラーなしで返される各 API 呼び出しはカウントされます。報酬は(successful_calls * unique_tools_used)/total_call_attempts。 - 思考効率 70トークンを中心としたスキューノーマルペナルティは、計画に十分なトークンを許可しながら、ツール呼び出し間の無限の思考の連鎖を阻止します。 このようにして、Qwen3 1.7Bは情報を検索、訪問、合成することを学習しました。小さなモデルでも深い研究ができます!

モデルが 1 つの質問に答えるために、思考連鎖推論とインターリーブされた複数の連続したツール呼び出しを使用する場合、次のようになります。

すでにGitHubにあるものについて曖昧に投稿するという概念

あといくつかの小さなものを出荷するだけで、大きなものを出荷できます 来たる時代はとても楽しく、本当にすべてがまとまってくるでしょう うわー

この1年間で私の人生がどれほど完全に変わったかは、今でもクレイジーです。昨年の夏、私はCS理論の博士号を取得したばかりで、銀行のインターンから銀行のフルタイムに転向し、ここで1000人のフォロワーに到達したばかりでした。昨日、飛行機で誰かに認識されました