Bagong paraan ng KPop, nalampasan ng Ring-2.6-1T ang 76 puntos sa SWE-bench Verified
Orihinal na pamagat:From IcePop to KPop — our team keeps pushing on RL training stability for large MoE models. 👇 KPop...
AI summary
Inilunsad ng team ang KPop para sa matatag na agent reinforcement learning training ng malakihang MoE model. Ginagamit nito ang adaptive masking mechanism batay sa binary KL divergence bilang kapalit ng fixed-ratio masking sa dating IcePop method, at dynamic na nag-aadjust ayon sa antas ng training-inference mismatch sa panahon ng pagsasanay. Dahil sa pagbabagong ito, nakamit ng Ring-2.6-1T model ang mahigit 76 puntos sa SWE-bench Verified sa pamamagitan lamang ng pure RL training, nang walang pagbabago sa infrastructure o routing replay.
Mahahalagang impormasyon
- Inilunsad ng team ang KPop para sa matatag na agent reinforcement learning training ng malakihang…
- Ginagamit nito ang adaptive masking mechanism batay sa binary KL divergence bilang kapalit ng…
- Dahil sa pagbabagong ito,nakamit ng Ring-2.
- 6-1T model ang mahigit 76 puntos sa SWE-bench Verified sa pamamagitan lamang ng pure RL…
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- X:蚂蚁百灵 (@AntLingAGI)
- Kategorya
- Mga Papel at Pananaliksik
- AI na marka
- 68
蚂蚁团队把 IcePop 升级成 KPop,从固定掩码变成自适应 KL 区域,思路很巧。Ring-2.6-1T 纯 RL 直接冲到 SWE-bench 76+,做 agentic RL 训练的同学值得翻一下博客。
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Bagong paraan ng KPop, nalampasan ng Ring-2.6-1T ang 76 puntos sa SWE-bench Verified. 26 Mayo 2026. https://new.nat6.net/fil/news/cmpmsjd610rghsl01l5zfielj/