Una dintre părțile mele preferate ale lucrului la Prime Intellect este să aleg numele prostești ori de câte ori cineva lansează o nouă instanță

RL a trecut de la a nu funcționa deloc la a funcționa atât de bine încât codul poate avea erori majore de corectitudine și nu observați pentru că încă funcționează

Într-una din aceste zile voi începe să zdrobesc commit-uri, dar astăzi nu este acea zi

Este păcat că rămânem fără date de internet pentru că toată lumea a încetat să mai pună conținut nou pe internet

ChatGPT ar trebui să aibă un comutator verde mare care spune "Syco Mode"

Rețetă pentru post-antrenarea Qwen3 1.7B într-un model DeepResearch Ce înseamnă pentru ceva mic să gândești profund? Faceți cunoștință cu Lucy, un Qwen3-1.7B post-antrenat ca model DeepResearch bazat pe verificatorii @willccbb. Recompense principale bazate pe reguli: - Corectitudinea răspunsului Verificăm dacă răspunsul final conține literalmente răspunsul de bază. Această potrivire a subșirului este ieftină și evită chemarea unui judecător LLM mai mare. - Raportul vizită/căutare Dacă agentul vizitează cel puțin atâtea pagini câte interogări de căutare, primește ((visit_search_ratio - 1) / 4) ** 0,25. Dacă caută mai mult decât vizitează, scorul este -0,5. Format / Recompense Anti Recompensă-Hacking: - Succesul execuției instrumentelor Fiecare apel API care se întoarce fără o eroare se contorizează. Recompensa este (successful_calls * unique_tools_used) / total_call_attempts. - Eficiența gândirii O penalizare normală centrată pe 70 de jetoane descurajează lanțul nesfârșit de gândire între apelarea instrumentului, permițând în același timp suficiente jetoane pentru planificare. Acesta este modul în care Qwen3 1.7B a învățat să caute, să viziteze și să sintetizeze informații. Modelele mici pot face și ele cercetări profunde!

Dacă un model folosește mai multe apeluri de instrumente secvențiale intercalate cu raționamentul lanțului de gândire pentru a răspunde la o singură întrebare, aceasta este:

Conceptul de postare vagă despre lucruri care sunt deja pe GitHub

trebuie să mai expediați doar câteva lucruri mici și apoi puteți expedia lucrul mare Epoca viitoare va fi atât de distractivă, încât totul se va reuni wow

Încă este o nebunie pentru mine cât de mult s-a schimbat viața mea în ultimul an. vara trecută tocmai terminasem un doctorat în teoria CS, m-am transformat din stagiar bancar în bancar cu normă întreagă și tocmai ajunsesem la 1000 de urmăritori aici. Ieri am fost recunoscut de cineva din zborul meu