Reinforcement Learning

Motif Technologies из Южной Кореи выпустила Motif-2-12.7B-Reasoning и показала воспроизводимый рецепт обучения: качество рассуждений рождается из распределения данных, правильной инфраструктуры длинного контекста, устойчивого RL и жесткой оптимизации памяти — а не из простого наращивания размера модели.

Ai2 представил Olmo 3.1 — обновление семейства открытых моделей, где удлинённые RL-прогоны добавили заметные очки на бенчмарках рассуждений при сохранении прозрачности данных, кода и процесса обучения.

ИИ стремительно прокачивает задачи, где есть автоматическая проверка результата, и буксует там, где оценка субъективна. Этот «разрыв подкрепления» объясняет, почему код пишется всё лучше, а письма — лишь чуть-чуть: тестируемость решает, что станет продуктом, а что останется демо.