Tech Meridian
← К СУЩНОСТЯМ
КОМПАНИЯ · ENTITY #6721
Хронология связанных событий, источники и контекст из новостной базы.
Amazon показала запуск открытой библиотеки SkyRL на SageMaker HyperPod (EKS) для пост‑обучения визуально‑языковой модели Qwen3‑VL‑8B методом Group Relative Policy Optimization (GRPO). На HyperPod Ray‑кластере с общим хранилищем FSx решение повысило процент решения лабиринтов с 43,75% до более чем 95% на фиксированном наборе из 64 лабиринтов, сочетая vLLM‑инференс и FSDP‑шардинг политики с LoRA‑адаптерами.
В работе arXiv:2609.22910v1 предложен CounterCredit — метод, который для каждого возвращающего изображение вызова проверяет, был ли он действительно нужен и использован, вычисляя значение решения (ответ сразу vs. через визуальную ветку) и значение доказательства (сравнение возвращённой обрезки с случайными обрезками того же размера). При тех же исходных условиях CounterCredit обгоняет baseline с outcome-only GRPO: 89,5% на V*, 80,2% на HR-Bench-4K и 76,4% на HR-Bench-8K, снижает долю спurious-вызовов до ~31–36% и поднимает Qwen3-VL-8B с 75,4 до 80,8 в среднем.
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.