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
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।
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/