ਅਲੀਬਾਬਾ ਦੀ Qwen ਟੀਮ ਇਸ ਹਫ਼ਤੇ QwenGyre ਲਈ ਨਵਾਂ ਧਿਆਨ ਖਿੱਚ ਰਹੀ ਹੈ, ਇੱਕ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਫਰੇਮਵਰਕ ਜੋ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਘੰਟਿਆਂ ਤੱਕ ਚੱਲਣ ਵਾਲੇ ਕੰਮਾਂ 'ਤੇ AI ਏਜੰਟਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। 12 ਅਤੇ 13 ਅਕਤੂਬਰ ਨੂੰ AI ਪ੍ਰੈਸ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਕਵਰੇਜ ਦੇ ਨਾਲ, 13 Qwen ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਲੇਖਕ ਅਤੇ ਸਤੰਬਰ ਦੇ ਅਖੀਰ ਵਿੱਚ arXiv 'ਤੇ ਪੋਸਟ ਕੀਤਾ ਗਿਆ ਸੀ, "QwenGyre: ਇੱਕ ਲਚਕੀਲਾ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਫਰੇਮਵਰਕ ਟ੍ਰੇਨਿੰਗ xLong-Horizon ਏਜੰਟ" ਸਿਰਲੇਖ ਵਾਲੇ ਇੱਕ ਪੇਪਰ ਵਿੱਚ ਸਿਸਟਮ ਦਾ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਸੀ।

ਫਰੇਮਵਰਕ ਵਰਕਲੋਡ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦਾ ਹੈ ਜਿਸਨੂੰ ਟੀਮ "xLong-horizon" ਟਾਸਕ ਕਹਿੰਦੇ ਹਨ, ਜਿੱਥੇ ਇੱਕ ਸਿੰਗਲ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਘੰਟਿਆਂ ਤੱਕ ਫੈਲਦਾ ਹੈ, ਮਾਡਲ ਅਤੇ ਇਸਦੇ ਵਾਤਾਵਰਣ ਵਿਚਕਾਰ ਸੈਂਕੜੇ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ, ਅਤੇ ਪ੍ਰਤੀ ਰੋਲਆਊਟ ਲਗਭਗ ਇੱਕ ਮਿਲੀਅਨ ਟੋਕਨਾਂ ਦੀ ਖਪਤ ਕਰਦਾ ਹੈ। ਕੋਡਿੰਗ ਏਜੰਟ ਜੋ ਇੱਕ ਪੂਰੀ ਰਿਪੋਜ਼ਟਰੀ ਦੁਆਰਾ ਕੰਮ ਕਰਦੇ ਹਨ, ਜਾਂ ਸਹਾਇਕ ਜੋ ਉਪਭੋਗਤਾ ਦੀ ਤਰਫੋਂ ਬਹੁ-ਪੜਾਵੀ ਕਾਰਵਾਈਆਂ ਕਰਦੇ ਹਨ, ਖਾਸ ਉਦਾਹਰਣ ਹਨ। ਔਨਲਾਈਨ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੇ ਨਾਲ ਇਸ ਨੂੰ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਮਾਡਲ ਖੇਤਰ ਵਿੱਚ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀਆਂ ਮੁਸ਼ਕਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ - ਅਤੇ ਇਹ ਕਿਵੇਨ ਦੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਓਪਨ-ਵੇਟ ਏਜੰਟ ਮਾਡਲਾਂ ਦੇ ਪਿੱਛੇ ਟੀਮ ਲਈ ਇੱਕ ਕੁਦਰਤੀ ਤਰਜੀਹ ਹੈ। ਸਿਖਲਾਈ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ 'ਤੇ ਬ੍ਰੇਕਿੰਗ ਏਆਈ ਨਿਊਜ਼* ਨੂੰ ਟਰੈਕ ਕਰਨ ਵਾਲੇ ਪਾਠਕਾਂ ਲਈ, QwenGyre ਇੱਕ ਨਜ਼ਰ ਹੈ ਕਿ ਕਿਵੇਂ ਸਭ ਤੋਂ ਵੱਡੀ ਓਪਨ-ਮਾਡਲ ਟੀਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੇ ਏਜੰਟਿਕ ਵਰਕਲੋਡ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਆਪਣੀ RL ਪਾਈਪਲਾਈਨ ਨੂੰ ਮੁੜ-ਇੰਜੀਨੀਅਰ ਕੀਤਾ ਹੈ।

ਲੌਂਗ-ਹੋਰੀਜ਼ਨ ਆਰਐਲ ਵਿੱਚ ਦੋ ਰੁਕਾਵਟਾਂ

ਪੇਪਰ ਬਹੁਤ ਲੰਬੇ ਏਜੰਟ ਕੰਮਾਂ ਲਈ ਔਨਲਾਈਨ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਨਾਲ ਦੋ ਬੁਨਿਆਦੀ ਸਮੱਸਿਆਵਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ।

ਪਹਿਲਾ GPU ਆਈਡਲਿੰਗ ਹੈ। ਕਿਉਂਕਿ ਰੋਲਆਉਟ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਸਮੇਂ ਵਿੱਚ ਵੱਖੋ-ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ - ਇੱਕ ਏਜੰਟ ਦੀ ਦੌੜ ਮਿੰਟਾਂ ਵਿੱਚ ਖਤਮ ਹੋ ਸਕਦੀ ਹੈ ਜਦੋਂ ਕਿ ਦੂਜਾ ਘੰਟਿਆਂ ਲਈ ਮੰਥਨ ਕਰਦਾ ਹੈ - ਪਾਈਪਲਾਈਨ ਦਾ ਸਿਖਲਾਈ ਵਾਲਾ ਪਾਸਾ ਲਗਾਤਾਰ ਸਟ੍ਰਗਲਰਾਂ ਦੀ ਉਡੀਕ ਕਰ ਰਿਹਾ ਹੈ। ਨਤੀਜਾ, ਲੇਖਕਾਂ ਦੇ ਅਨੁਸਾਰ, ਮਹਿੰਗੇ GPU ਫਲੀਟਾਂ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਹਲਾ ਸਮਾਂ ਹੈ, ਜੋ ਕਿ ਕਿਸੇ ਵੀ RL ਸਿਖਲਾਈ ਰਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਲਾਗਤ ਹੈ।

ਦੂਜਾ ਟ੍ਰੈਜੈਕਟਰੀ ਰਿਡੰਡੈਂਸੀ ਹੈ। ਲੰਬੇ ਏਜੰਟ ਦੇ ਕੰਮ ਇੱਕ ਸਿੱਧੀ ਲਾਈਨ ਵਿੱਚ ਅੱਗੇ ਨਹੀਂ ਵਧਦੇ। ਉਹ ਸ਼ਾਖਾਵਾਂ: ਇੱਕ ਏਜੰਟ ਇੱਕ ਪਹੁੰਚ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਪਿੱਛੇ ਹਟਦਾ ਹੈ, ਦੂਜੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਅਤੇ ਬ੍ਰਾਂਚਿੰਗ ਗੁਣਾ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਕੰਮ ਲੰਬੇ ਅਤੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੁੰਦੇ ਹਨ। ਇਸ ਬ੍ਰਾਂਚਿੰਗ ਇਤਿਹਾਸ ਦਾ ਜ਼ਿਆਦਾਤਰ ਹਿੱਸਾ ਬੇਲੋੜਾ ਹੈ, ਅਤੇ ਇਸ ਸਭ ਦੀ ਸਿਖਲਾਈ ਗਣਨਾ ਨੂੰ ਬਰਬਾਦ ਕਰਦੀ ਹੈ ਅਤੇ ਸਿੱਖਣ ਨੂੰ ਅਸਥਿਰ ਕਰਦੀ ਹੈ। ਲੇਖਕ ਪੈਮਾਨੇ 'ਤੇ ਸਿਖਲਾਈ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਅਪਾਹਜ ਕਰਨ ਦੇ ਰੂਪ ਵਿੱਚ ਇਸ ਬੇਲੋੜੇਤਾ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ।

QwenGyre ਉਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਸੰਬੋਧਨ ਕਰਦਾ ਹੈ

QwenGyre ਦੋ ਮੁੱਖ ਮਕੈਨਿਜ਼ਮਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣੇ ਲੰਬੇ-ਦਿਮਾਗ ਔਨਲਾਈਨ RL ਲਈ ਇੱਕ ਅੰਤ-ਤੋਂ-ਅੰਤ ਫਰੇਮਵਰਕ ਹੈ।

ਪਹਿਲਾ ਲਚਕੀਲਾ GPU ਰੀਲੋਕੇਸ਼ਨ ਹੈ। ਫਰੇਮਵਰਕ ਲਾਈਵ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਨੂੰ ਰੋਕੇ ਬਿਨਾਂ ਰੋਲਆਊਟ ਸਾਈਡ (ਜਿੱਥੇ ਏਜੰਟ ਚਲਾਉਂਦੇ ਹਨ ਅਤੇ ਅਨੁਭਵ ਪੈਦਾ ਕਰਦੇ ਹਨ) ਅਤੇ ਟਰੇਨਿੰਗ ਸਾਈਡ (ਜਿੱਥੇ ਮਾਡਲ ਨੂੰ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ) ਵਿਚਕਾਰ GPU ਨੂੰ ਬਦਲਦਾ ਹੈ। ਰਵਾਇਤੀ ਸੈੱਟਅੱਪਾਂ ਵਿੱਚ, ਰੋਲਆਉਟ ਅਤੇ ਸਿਖਲਾਈ ਸਰੋਤਾਂ ਵਿਚਕਾਰ ਵੰਡ ਨੂੰ ਨਿਸ਼ਚਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਇਸਲਈ ਇੱਕ ਪਾਸੇ ਨਿਸ਼ਕਿਰਿਆ ਹੈ ਜਦੋਂ ਕਿ ਦੂਜਾ ਕੰਮ ਕਰਦਾ ਹੈ। ਸੀਮਾ ਨੂੰ ਲਚਕੀਲਾ ਬਣਾਉਣ ਦਾ ਮਤਲਬ ਹੈ ਇੱਕ ਰੋਲਆਊਟ-ਭਾਰੀ ਪੜਾਅ ਸਿਖਲਾਈ ਹਾਰਡਵੇਅਰ ਨੂੰ ਉਧਾਰ ਲੈ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਸਦੇ ਉਲਟ, ਜਿਵੇਂ ਕਿ ਕੰਮ ਦਾ ਬੋਝ ਬਦਲਦਾ ਹੈ।

ਦੂਜਾ ਇੱਕ ਟ੍ਰੈਜੈਕਟਰੀ ਪ੍ਰੋਸੈਸਰ ਹੈ ਜੋ ਬ੍ਰਾਂਚਿੰਗ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ। ਇਹ ਬ੍ਰਾਂਚਿੰਗ ਇਤਿਹਾਸਾਂ ਦਾ ਪੁਨਰਗਠਨ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਸਾਂਝੇ ਕੀਤੇ ਅਗੇਤਰਾਂ ਨੂੰ ਗੈਰ-ਸੰਬੰਧਿਤ ਡੇਟਾ ਵਜੋਂ ਨਹੀਂ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਅਧੂਰੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ 'ਤੇ ਅੰਸ਼ਕ ਪ੍ਰਗਤੀ ਨੂੰ ਸਕੋਰ ਕਰਦਾ ਹੈ - ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਜ਼ਿਆਦਾਤਰ ਲੰਬੇ ਰੋਲਆਊਟ ਅਸਫਲਤਾ ਵਿੱਚ ਖਤਮ ਹੁੰਦੇ ਹਨ - ਅਤੇ ਸਿਖਲਾਈ ਦੀਆਂ ਲਾਗਤਾਂ ਲਈ ਬੇਲੋੜੇ ਮਾਰਗਾਂ ਨੂੰ ਕੱਟਦੇ ਹਨ।

ਇੱਥੇ ਅਰਥ ਸ਼ਾਸਤਰ ਸਿੱਧੇ ਹਨ. ਵੱਡੇ ਮਾਡਲਾਂ ਲਈ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਵਿੱਚ, ਗਣਨਾ ਪ੍ਰਮੁੱਖ ਖਰਚਾ ਹੈ, ਅਤੇ ਰੋਲਆਊਟ-ਟ੍ਰੇਨਿੰਗ ਸਪਲਿਟ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ GPU ਫਲੀਟ ਅਸਲ ਵਿੱਚ ਕਿਸੇ ਵੀ ਸਮੇਂ ਕਿੰਨੀ ਕਮਾਈ ਕਰ ਰਿਹਾ ਹੈ। ਇੱਕ ਫਰੇਮਵਰਕ ਜੋ GPUs ਨੂੰ ਨਿਸ਼ਕਿਰਿਆ ਕਰਨ ਦੀ ਬਜਾਏ ਉਪਯੋਗੀ ਕੰਮ 'ਤੇ ਰੱਖਦਾ ਹੈ, ਉਸੇ ਹਾਰਡਵੇਅਰ ਦੇ ਥਰੂਪੁੱਟ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਗੁਣਾ ਕਰਦਾ ਹੈ। ਲੰਬੇ-ਹਰੀਜੋਨ ਏਜੰਟ ਸਿਖਲਾਈ ਲਈ - ਜਿੱਥੇ ਕਾਗਜ਼ "ਵਿਆਪਕ" ਦੇ ਤੌਰ 'ਤੇ ਸੁਸਤ ਹੋਣ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ - ਇੱਕ ਸਥਿਰ ਅਤੇ ਇੱਕ ਲਚਕੀਲੇ ਸਪਲਿਟ ਵਿਚਕਾਰ ਅੰਤਰ ਇਹ ਫੈਸਲਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਕੀ ਇੱਕ ਸਿਖਲਾਈ ਪ੍ਰੋਗਰਾਮ ਬਿਲਕੁਲ ਵਿਹਾਰਕ ਹੈ ਜਾਂ ਨਹੀਂ।

ਇਹ ਏਜੰਟ ਈਕੋਸਿਸਟਮ ਲਈ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ

ਏਜੰਟ ਉਤਪਾਦ ਡੈਮੋ ਤੋਂ ਤੈਨਾਤੀਆਂ ਤੱਕ ਚਲੇ ਗਏ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਪਿੱਛੇ ਸਿਖਲਾਈ ਦੀਆਂ ਤਕਨੀਕਾਂ ਜਾਰੀ ਰੱਖਣ ਲਈ ਦੌੜ ਰਹੀਆਂ ਹਨ। ਇੱਕ ਕੋਡਿੰਗ ਏਜੰਟ ਜੋ ਇੱਕ ਅਸਲੀ ਟਿਕਟ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ, ਜਾਂ ਇੱਕ ਸਹਾਇਕ ਜੋ ਇੱਕ ਬਹੁ-ਪੜਾਵੀ ਵਰਕਫਲੋ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦਾ ਹੈ, ਨੂੰ ਇੱਕ ਮਨੁੱਖ ਦੁਆਰਾ ਸਵੀਕਾਰ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਨਤੀਜੇ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਸੈਂਕੜੇ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ - ਅਤੇ ਉਹਨਾਂ ਨਤੀਜਿਆਂ ਲਈ ਇਨਾਮ ਸੰਕੇਤ ਬਹੁਤ ਘੱਟ ਅਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਔਖਾ ਹੈ। ਔਨਲਾਈਨ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਏਜੰਟ ਵਿਵਹਾਰ ਨੂੰ ਤਿੱਖਾ ਕਰਨ ਲਈ ਪ੍ਰਮੁੱਖ ਪਹੁੰਚ ਬਣੀ ਹੋਈ ਹੈ, ਜੋ ਕਿ RL ਪਾਈਪਲਾਈਨ ਦੇ ਥਰੂਪੁੱਟ ਨੂੰ ਇਸ ਗੱਲ 'ਤੇ ਸਿੱਧੀ ਰੁਕਾਵਟ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਇੱਕ ਲੈਬ ਆਪਣੇ ਏਜੰਟਾਂ ਨੂੰ ਕਿੰਨੀ ਜਲਦੀ ਸੁਧਾਰ ਸਕਦੀ ਹੈ।

ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ QwenGyre ਵਰਗੇ ਫਰੇਮਵਰਕ ਅਲੀਬਾਬਾ ਤੋਂ ਪਰੇ ਮਹੱਤਵ ਰੱਖਦੇ ਹਨ। ਜੇਕਰ ਲਾਂਗ-ਹੋਰੀਜ਼ਨ RL ਪ੍ਰਤੀ ਸਮਰੱਥਾ ਬਿੰਦੂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਨਾਟਕੀ ਤੌਰ 'ਤੇ ਸਸਤਾ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਵਧੇਰੇ ਟੀਮਾਂ ਏਜੰਟਾਂ ਨੂੰ ਲੰਬੇ, ਗੜਬੜ ਵਾਲੇ ਕਾਰਜਾਂ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣ ਦੇ ਸਮਰੱਥ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜੋ ਅਸਲ ਕੰਮ ਵਰਗੇ ਹੁੰਦੇ ਹਨ, ਨਾ ਕਿ ਛੋਟੇ ਸਿੰਥੈਟਿਕ ਐਪੀਸੋਡਾਂ ਦੀ ਬਜਾਏ ਜੋ ਰੋਲ ਆਊਟ ਕਰਨ ਲਈ ਸਸਤੇ ਹੁੰਦੇ ਹਨ ਪਰ ਪ੍ਰੌਕਸੀ ਵਜੋਂ ਕਮਜ਼ੋਰ ਹੁੰਦੇ ਹਨ। ਥ੍ਰੁਪੁੱਟ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਹਰ ਕਿਸੇ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਤੇਜ਼ੀ ਨਾਲ ਏਜੰਟ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਦੁਹਰਾਉਣ ਦੇ ਯੋਗ ਹੋਣਗੀਆਂ।

ਰਿਪੋਰਟ ਕੀਤੇ ਨਤੀਜੇ

ਪੇਪਰ ਵਿੱਚ ਸਭ ਤੋਂ ਪ੍ਰਮੁੱਖ ਨਤੀਜਾ QwenGyre ਨੂੰ Qwen ਦੇ ਫਲੈਗਸ਼ਿਪ ਮਾਡਲ, Qwen 3.8 2.4T ਤੱਕ ਸਕੇਲ ਕਰਨ ਤੋਂ, 700,000 ਟੋਕਨਾਂ ਦੇ ਰੋਲਆਊਟ ਨਾਲ ਆਉਂਦਾ ਹੈ। ਫਰੇਮਵਰਕ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਨੇ NL2RepoBench 'ਤੇ 6.0 ਪ੍ਰਤੀਸ਼ਤ ਸੰਪੂਰਨ ਲਾਭ ਪ੍ਰਾਪਤ ਕੀਤਾ - ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਰਿਪੋਜ਼ਟਰੀ-ਪੱਧਰ ਦੇ ਕੋਡ ਤਬਦੀਲੀਆਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਲਈ ਇੱਕ ਬੈਂਚਮਾਰਕ - ਮਾਡਲ ਨੂੰ ਸਿਰਫ 48 RL ਕਦਮਾਂ ਵਿੱਚ 52.5 ਪ੍ਰਤੀਸ਼ਤ ਤੋਂ 58.5 ਪ੍ਰਤੀਸ਼ਤ ਤੱਕ ਚੁੱਕਦਾ ਹੈ।

ਕੁਸ਼ਲਤਾ 'ਤੇ, ਟੀਮ ਰਿਪੋਰਟ ਕਰਦੀ ਹੈ ਕਿ QwenGyre ਵੱਖ-ਵੱਖ ਸਿਖਲਾਈ ਡੋਮੇਨਾਂ ਵਿੱਚ ਫੈਲੇ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ, ਇੱਕ ਕਲੋਕੇਟਿਡ RL ਬੇਸਲਾਈਨ ਉੱਤੇ 1.85 ਗੁਣਾ ਅਤੇ ਇੱਕ ਅਸਿੰਕ੍ਰੋਨਸ ਸੈੱਟਅੱਪ ਉੱਤੇ 1.78 ਗੁਣਾ ਤੱਕ ਦੀ ਸਪੀਡਅਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਖੇਤਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੰਖਿਆਵਾਂ ਹਨ ਜਿੱਥੇ ਥ੍ਰੋਪੁੱਟ ਲਾਭ ਆਮ ਤੌਰ 'ਤੇ ਸਿੰਗਲ-ਅੰਕ ਪ੍ਰਤੀਸ਼ਤ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।

ਚੇਤਾਵਨੀਆਂ ਅਤੇ ਉਪਲਬਧਤਾ

ਜਿਵੇਂ ਕਿ ਕਿਸੇ ਵੀ ਲੈਬ-ਪ੍ਰਕਾਸ਼ਿਤ ਨਤੀਜੇ ਦੇ ਨਾਲ, ਨੰਬਰ ਕਵੇਨ ਟੀਮ ਦੁਆਰਾ ਸਵੈ-ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਅਜੇ ਤੱਕ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਤਿਆਰ ਨਹੀਂ ਕੀਤੇ ਗਏ ਹਨ। ਬਾਹਰੀ ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਸਵਾਲ ਪਹੁੰਚ ਹੈ: ਜਦੋਂ ਕਿ ਕੁਝ ਕਵਰੇਜ ਨੇ ਕਵੇਨਗਾਇਰ ਨੂੰ ਓਪਨ ਸੋਰਸ ਦੱਸਿਆ ਹੈ, ਲਿਖਣ ਦੇ ਸਮੇਂ ਇੱਕ ਸਪੱਸ਼ਟ ਜਨਤਕ ਕੋਡ ਰੀਲੀਜ਼ ਸਾਹਮਣੇ ਨਹੀਂ ਆਇਆ ਸੀ, ਇਸਲਈ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਸਪੀਡਅਪਸ ਦੀ ਸੁਤੰਤਰ ਤਸਦੀਕ ਅਜੇ ਸੰਭਵ ਨਹੀਂ ਹੈ। ਹੋਰ ਵੇਰਵੇ ਉਪਲਬਧ ਹੋਣ 'ਤੇ AI Buzz ਵਾਇਰ ਅੱਪਡੇਟ ਹੋ ਜਾਵੇਗਾ।

ਫਿਰ ਵੀ, ਕਾਗਜ਼ ਇੱਕ ਉਪਯੋਗੀ ਸੰਕੇਤ ਹੈ ਕਿ ਏਜੰਟ ਸਿਖਲਾਈ ਕਿੱਥੇ ਜਾ ਰਹੀ ਹੈ। ਜਿਵੇਂ ਕਿ ਏਜੰਟ ਲੰਬੇ ਅਤੇ ਵਧੇਰੇ ਕੀਮਤੀ ਕੰਮ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲੋੜੀਂਦਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਚੈਟ-ਯੁੱਗ RL ਪਾਈਪਲਾਈਨ ਤੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵੱਖ ਹੋ ਰਿਹਾ ਹੈ — ਅਤੇ ਦੋਵਾਂ ਵਿਚਕਾਰ ਪਾੜਾ ਸਿਰਫ ਵਧੇਗਾ।

---

AI ਤੋਂ ਅੱਗੇ ਰਹੋ

ਨਵੀਨਤਮ AI ਖਬਰਾਂ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਫਲਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰੋ - ਸਭ ਇੱਕ ਥਾਂ 'ਤੇ।

ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →