GPT-OSS के एजेंटिक रीइन्फ़ोर्समेंट लर्निंग प्रशिक्षण को अनलॉक करना: एक व्यावहारिक समीक्षा
मूल शीर्षक:Unlocking Agentic RL Training for GPT-OSS: A Practical Retrospective
AI सारांश
LinkedIn टीम ने GPT-OSS मॉडल को एजेंट अनुप्रयोगों के केंद्र के रूप में उपयोग करते हुए रीइन्फ़ोर्समेंट लर्निंग की व्यवहार्यता का पता लगाया। प्रयोगों में पाया गया कि GPT-OSS की मिश्रित-विशेषज्ञ आर्किटेक्चर दो फ़ॉरवर्ड पास में राउटिंग अंतर उत्पन्न कर सकती है, जिससे ऑन-पॉलिसी PPO प्रशिक्षण में महत्वपूर्ण नमूनाकरण अनुपात का विचलन, KL डाइवर्जेंस का विस्फोट और इनाम में वृद्धि न होने की समस्याएँ होती हैं। टीम ने एक महत्वपूर्ण सुधार के माध्यम से — ऑन-पॉलिसी स्थितियों में पुरानी लॉग प्रायिकताओं को नए गणना मानों पर बाध्य करना (और ग्रेडिएंट अलग करना) — महत्वपूर्ण नमूनाकरण अनुपात को 1 सुनिश्चित किया, जिससे PPO के ऑन-पॉलिसी प्रशिक्षण की पूर्णता बहाल हुई। यह सुधार GPT-OSS-20B और GPT-OSS-120B मॉडलों पर लागू होता है।
मुख्य जानकारी
- LinkedIn टीम ने GPT-OSS मॉडल को एजेंट अनुप्रयोगों के केंद्र के रूप में उपयोग करते हुए…
- KL डाइवर्जेंस का विस्फोट और इनाम में वृद्धि न होने की समस्याएँ होती हैं। टीम ने एक महत्वपूर्ण…
- जिससे PPO के ऑन-पॉलिसी प्रशिक्षण की पूर्णता बहाल हुई। यह सुधार GPT-OSS-20B और GPT-OSS-120B मॉडलों…
एक नज़र में
- प्रकाशन समय
- अपडेट समय
- स्रोत
- Hugging Face 社区博客(混合发现)
- श्रेणी
- अन्य
- AI स्कोर
- 83
为MoE模型RL训练提供实用调试方案,提升代理AI开发效率。
स्रोत और कॉपीराइट
यह लेख AIHOT के सार्वजनिक API की चयनित सुर्खियों और AI सारांशों के आधार पर तैयार किया गया है, स्रोत का उल्लेख और लिंक दिया गया है; मूल पाठ का कॉपीराइट मूल मीडिया और लेखक के पास है, यह साइट पूरा पाठ मिरर नहीं करती।
उद्धरण कैसे दें
इस लेख का उद्धरण देते समय शीर्षक, तिथि और स्थायी लिंक बनाए रखें और स्रोत Orange News बताएं।
Orange News: GPT-OSS के एजेंटिक रीइन्फ़ोर्समेंट लर्निंग प्रशिक्षण को अनलॉक करना: एक व्यावहारिक समीक्षा। 27 जनवरी 2026। https://new.nat6.net/hi/news/cmoegbhak009rslxxdj1fo3aa/