Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #5530

GRPO (Group Relative Policy Optimization)

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

COMPANIES · 1 ИСТОЧН. · AWS Machine Learning

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.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

LogicTrack: аудит рассуждений LLM с помощью формальных логических решателей

LogicTrack — нейро-символическая система, автоматически формализующая каждый шаг Chain-of-Thought и проверяющая его с помощью автоматических теорем-пруверов; вводится механизм оценки Solver-Based Backtracking Reward (SBR) для пошаговой оценки логической корректности и управления поиском с возвратом. Авторы также конструируют данные для контролируемой дообучки из трасс возврата и сообщают об улучшении проверяемости цепочек рассуждений и финальных результатов на 8 бенчмарках и с 7 LLM (arXiv:2609.21492v1).

6.0