Великий шанувальник того, щоб робити код коротшим, красивішим і потужнішим одночасно ToolEnv потребував капітального ремонту

Одна з моїх улюблених частин роботи в Prime Intelligent — це вибирати безглузді назви щоразу, коли хтось запускає новий екземпляр

RL перейшов від того, що не працює взагалі, до роботи настільки добре, що код може мати серйозні помилки коректності, і ви цього не помічаєте, тому що він все ще просто працює

Днями я збираюся почати розчавлювати коміти, але сьогодні не той день

Шкода, що у нас закінчуються інтернет-дані, тому що всі колективно перестали розміщувати новий контент в Інтернеті

ChatGPT повинен мати великий зелений перемикач з написом "Режим Syco"

Рецепт для переходу Qwen3 1.7B у модель DeepResearch Що означає для чогось маленького глибоко мислити? Зустрічайте Люсі, пост-навчену Qwen3-1.7B як модель DeepResearch, засновану на верифікаторах @willccbb. Основні винагороди на основі правил: - Правильність відповіді Ми перевіряємо, чи містить остаточна відповідь буквально відповідь. Цей збіг підрядків є дешевим і дозволяє уникнути виклику більшого судді LLM. - Співвідношення відвідувань/пошукових запитів Якщо агент відвідує хоча б стільки сторінок, скільки видає пошукові запити, він отримує ((visit_search_ratio - 1) / 4) ** 0,25. Якщо він шукає більше, ніж відвідує, оцінка становить -0,5. Формат / Anti Reward-Hacking Rewarding: - Успішне виконання інструменту Кожен виклик API, який повертається без помилки, зараховується. Нагорода становить (successful_calls * unique_tools_used) / total_call_attempts. - Ефективність мислення Звичайний штраф із центром у 70 токенів перешкоджає нескінченному ланцюжку думок між дзвінками інструментів, водночас дозволяючи достатньо токенів для планування. Так Qwen3 1.7B навчився шукати, відвідувати та синтезувати інформацію. Маленькі моделі також можуть проводити глибокі дослідження!

Якщо модель використовує кілька послідовних викликів інструментів, що чергуються з міркуваннями на основі ланцюжка думок, щоб відповісти на одне питання, це:

Концепція розпливчастого постінгу про речі, які вже є на GitHub

потрібно відправити ще пару дрібниць і тоді можна відправити велику річ Прийдешня ера буде настільки веселою, що дійсно все збирається разом Вау