ट्यूटोरियल और टिप्स

Ant Group के Bailing और ASystem टीम ने सिंगल-मशीन Agentic RL पोस्ट-ट्रेनिंग लूप पूरा किया

मूल शीर्षक:从跑起来到训起来:Ling-3.0-tiny × ASystem AReno,打通单机 Agentic RL 闭环

AI सारांश

Ant Group की Bailing और ASystem टीम ने मिलकर Ling-3.0-tiny और AReno का उपयोग करते हुए DGX Spark पर सिंगल-मशीन Agentic RL पोस्ट-ट्रेनिंग लूप सफलतापूर्वक चलाया। टिक-टैक-टो को न्यूनतम सत्यापन कार्य के रूप में लेते हुए, GSPO एल्गोरिदम से 400 स्टेप प्रशिक्षण के बाद rollout/rewards_mean लगभग -0.5 से बढ़कर 0.4 हो गया, response_len घटकर लगभग 850 tokens रह गया, और टूल कॉल तथा एक्शन चयन स्थिर हो गए।

मुख्य जानकारी

  • Ant Group की Bailing और ASystem टीम ने मिलकर Ling-3.
  • 0-tiny और AReno का उपयोग करते हुए DGX Spark पर सिंगल-मशीन Agentic RL पोस्ट-ट्रेनिंग लूप…
  • 5 से बढ़कर 0.
  • 4 हो गया,response_len घटकर लगभग 850 tokens रह गया,और टूल कॉल तथा एक्शन चयन स्थिर हो गए।

एक नज़र में

प्रकाशन समय
अपडेट समय
स्रोत
公众号:蚂蚁百灵(Ling)
श्रेणी
ट्यूटोरियल और टिप्स
AI स्कोर
62
मूल पढ़ें मूल स्रोत पर पूरा लेख पढ़ें
सुझाव का कारण

真正可复用的不是井字棋,而是把可复现错误、可验证反馈、本地训练和同环境复测串成的轻量后训练闭环,适合为本地小模型稳定工具调用和格式约束。

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।

मूल लिंक · AIHOT प्रविष्टि

उद्धरण कैसे दें

इस लेख का उद्धरण देते समय शीर्षक, तिथि और स्थायी लिंक बनाए रखें और स्रोत Orange News बताएं।

Orange News: Ant Group के Bailing और ASystem टीम ने सिंगल-मशीन Agentic RL पोस्ट-ट्रेनिंग लूप पूरा किया। 14 अगस्त 2026। https://new.nat6.net/hi/news/cmssf79uf05rwrod09r9ocb2w/

सभी देखें →