Kaedah baharu KPop membolehkan Ring-2.6-1T melepasi 76 mata pada SWE-bench Verified
Tajuk asal:From IcePop to KPop — our team keeps pushing on RL training stability for large MoE models. 👇 KPop...
Ringkasan AI
Pasukan memperkenalkan KPop untuk menstabilkan latihan pembelajaran pengukuhan ejen bagi model MoE berskala besar. Ia menggunakan mekanisme topeng adaptif berdasarkan perbezaan KL binari bagi menggantikan topeng berkadar tetap dalam kaedah IcePop sebelum ini, dan boleh melaraskan secara dinamik mengikut tahap ketidakpadanan latihan-penaakulan semasa proses latihan. Penambahbaikan ini membolehkan model Ring-2.6-1T memperoleh skor melebihi 76 mata pada SWE-bench Verified melalui latihan RL tulen sahaja, tanpa mengubah infrastruktur atau main balik penghalaan.
Maklumat penting
- Pasukan memperkenalkan KPop untuk menstabilkan latihan pembelajaran pengukuhan ejen bagi model MoE…
- Ia menggunakan mekanisme topeng adaptif berdasarkan perbezaan KL binari bagi menggantikan topeng…
- Penambahbaikan ini membolehkan model Ring-2.
- 6-1T memperoleh skor melebihi 76 mata pada SWE-bench Verified melalui latihan RL tulen…
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Sumber
- X:蚂蚁百灵 (@AntLingAGI)
- Kategori
- Kertas penyelidikan
- Skor AI
- 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。
Sumber dan hak cipta
Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: Kaedah baharu KPop membolehkan Ring-2.6-1T melepasi 76 mata pada SWE-bench Verified. 26 Mei 2026. https://new.nat6.net/ms/news/cmpmsjd610rghsl01l5zfielj/