Практическое руководство: многошаговое обучение с подкреплением (MTRL) в Amazon SageMaker AI с AgentCore
Amazon опубликовала практическое руководство по многошаговому обучению с подкреплением (MTRL) в SageMaker AI, в котором агент, размещённый в Amazon Bedrock AgentCore (или в инфраструктуре пользователя), вызывает обучаемую полиси-модель и возвращает награду по эпизоду. В статье показан полный конвейер (развёртывание, подготовка данных, обучение LoRA с GRPO, мониторинг в MLflow, оценка), в качестве примера использована Wordle; авторы утверждают, что GPT-OSS-20B поднялся с 61% до 84% решаемости (и с 15% до 69% при низкой вычислительной затрате) примерно за $339 на токены, код доступен в aws-samples репозитории.