Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #21413

DPO

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

COMPANIES · 1 ИСТОЧН. · AWS Machine Learning

AWS запускает SageMaker AI serverless «Training Sessions» (GA) для настройки моделей

Amazon объявила о выводе в общую доступность Training Sessions для SageMaker AI serverless model customization — это позволяет запускать собственные посттренировочные циклы (SFT, DPO, RLAIF, многошаговый RL, LoRA или полная донастройка) без управления GPU: SageMaker управляет выделением GPU, распределённым выполнением, чекпоинтами и восстановлением ошибок, а также предоставляет cookbook и агентные навыки. Клиенты отмечают применение в задачах вроде триажа отказов по страховым претензиям и многошаговой тренировки агентов с использованием Amazon Neptune и gpt-oss-20b.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья на arXiv представляет SPOKE для улучшения стратегической игры компактных покерных агентов

В статье (arXiv:2610.27028v1) предложен метод Strategic Preference Optimization с KL-anchored Equilibrium (SPOKE), объединяющий штрафы по отношению к учителю, анкирование политики, ограничения по риску и структуру объяснений для улучшения стратегического поведения при скрытой информации. При сравнительной оценке с SFT, DPO, GRPO и GSPO на замороженных моделях (SmallThinker, Qwen3, Gemma-3) и трёх запусках политики SmallThinker-4B-A0.6B SPOKE показал меньшую среднюю эксплуатируемость в Kuhn (0.213) и Leduc (1.081) и более высокое top-1 соглашение в шестимакс (0.775), сохранив KL по отношению к учителю на уровне SFT.

5.0