วิธีใหม่ KPop ทำให้ Ring-2.6-1T ทะลุ 76 คะแนนบน SWE-bench Verified
หัวข้อต้นฉบับ:From IcePop to KPop — our team keeps pushing on RL training stability for large MoE models. 👇 KPop...
สรุปโดย AI
ทีมเปิดตัว KPop สำหรับการฝึกอบรมการเรียนรู้แบบเสริมกำลังของเอเจนต์ในโมเดล MoE ขนาดใหญ่อย่างเสถียร โดยใช้กลไกการปิดบังแบบปรับตัวตามไดเวอร์เจนซ์ KL แบบไบนารี แทนการปิดบังแบบสัดส่วนคงที่ในวิธี IcePop ก่อนหน้านี้ สามารถปรับแบบไดนามิกตามระดับความไม่ตรงกันระหว่างการฝึกอบรมและการอนุมานระหว่างกระบวนการฝึกอบรม การปรับปรุงนี้ทำให้โมเดล Ring-2.6-1T ได้คะแนนเกิน 76 บน SWE-bench Verified ด้วยการฝึกอบรม RL ล้วน โดยไม่ต้องแก้ไขโครงสร้างพื้นฐานหรือเล่นซ้ำเส้นทาง
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- X:蚂蚁百灵 (@AntLingAGI)
- หมวดหมู่
- บทความและงานวิจัย
- คะแนน 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。
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: วิธีใหม่ KPop ทำให้ Ring-2.6-1T ทะลุ 76 คะแนนบน SWE-bench Verified 26 พฤษภาคม 2026 https://new.nat6.net/th/news/cmpmsjd610rghsl01l5zfielj/