チュートリアル

Ant Group百霊とASystemチームが単機Agentic RLのポストトレーニング閉ループを実現

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

AI 要約

Ant Group百霊とASystemチームが協力し、Ling-3.0-tinyとARenoを用いてDGX Spark上で単機Agentic RLのポストトレーニング閉ループを実現した。三目並べを最小検証タスクとし、GSPOアルゴリズムで400ステップ訓練した後、rollout/rewards_meanは約-0.5から0.4へ上昇し、response_lenは約850トークンまで低下、ツール呼び出しと行動選択が安定した。

要点

  • Ant Group百霊とASystemチームが協力し、Ling-3.
  • 0-tinyとARenoを用いてDGX Spark上で単機Agentic RLのポストトレーニング閉ループを実現した。
  • 三目並べを最小検証タスクとし、GSPOアルゴリズムで400ステップ訓練した後、rollout/rewards_meanは約-0.
  • 4へ上昇し、response_lenは約850トークンまで低下、ツール呼び出しと行動選択が安定した

概要

公開日時
更新日時
出典
公众号:蚂蚁百灵(Ling)
カテゴリ
チュートリアル
AI スコア
62
原文を読む 情報源で全文を読む
おすすめの理由

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。

出典と著作権

本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。

原文記事 · AIHOT 記事

引用方法

本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。

Orange News:Ant Group百霊とASystemチームが単機Agentic RLのポストトレーニング閉ループを実現。2026年8月14日。https://new.nat6.net/ja/news/cmssf79uf05rwrod09r9ocb2w/

すべて見る →