Pereiti prie turinio
2026 m. lapkričio 20 d., penktadienis
Tenesys AI News
Prenumerata
Modeliai· Svarbu· 🧪 Verta testuoti

Daugiapakopių AI agentų optimizavimas naudojant „Tunix“ ir „Gemma 4“ pastiprinamąjį mokymą

Trumpai: „Google“ išplėtė „Tunix“ karkasą, įgalindama efektyvų daugiapakopį pastiprinamąjį mokymą (RL) „Cloud TPU v6e-8“. Taikydami agentinį „Group Relative Policy Optimization“ (GRPO) „Gemma 4“ modeliui, kūrėjai dabar gali apmokyti modelius, puikiai atliekančius erdvinį argumentavimą ir iteracinį įrankių naudojimą.

Šaltinis: Google DevelopersGoogleGemma 4 E2BOriginalus straipsnis ↗

Šią santrauką automatiškai parengė dirbtinis intelektas pagal „Google Developers“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.

Kas pasikeitė?

  • 1Įdiegtas daugiapakopis agentinis RL konvejeris „Cloud TPU v6e-8“.
  • 2Įdiegta „Gemma 4“ įrankių iškvietimo integracija su atsakymų apdorojimu dialogo metu.
  • 3Optimizuotas našumas naudojant „vllm-tpu“ su prefikso kešavimu daugiapakopės istorijos valdymui.
  • 4Pasiektas 95 % laimėjimo rodiklis užduotyse, lyginant su pradiniu 9,4 %.
Gemma 4 E2B
ParametrasBuvoDabar
Laimėjimo rodiklis (Plane Strike žaidimas)9,4 %95 %
Vidutinė žaidimo trukmė22,44 ėjimo~16 ėjimų
Neteisingų veiksmų dažnisNenurodyta~0 %

Kodėl tai svarbu?

Ši technologija suteikia struktūrizuotą ir keičiamo mastelio būdą kurti agentus, kurie turi samprotauti, naudotis įrankiais ir prisitaikyti per daugybę žingsnių. Tai paverčia bazinius modelius itin patikimais specialistais sudėtingoms, daugiapakopėms automatizavimo užduotims.

Ką tai reiškia AI agentams ir kontaktų centrams?

Tai itin aktualu tobulinant balso agentus, kuriems reikalingas ilgesnis, logiškas pokalbių srautas ir sąveika su įrankiais realiuoju laiku. Testuojant svarbiausia lyginti, kaip šis mokymo metodas veikia argumentavimo vėlinimą ir įrankių patikimumą, palyginti su esamais modelių derinimo procesais.

🧪 Verta testuoti

Reikšmingas užduočių sėkmės rodiklių šuolis ir sumažėjęs veiksmų skaičius rodo potencialą pasiekti geresnių rezultatų sudėtinguose agentiniuose scenarijuose.

Tunix Agentic RL Pipeline· Nauja

Šaltiniai

  • Google DevelopersOficialusPirminis šaltinis
    „Multi-Turn Agentic Reinforcement Learning with Tunix and Gemma 4 on Google TPUs“
    2026-11-19 02:00
    Originalus straipsnis →
Šaltinio publikavimo data
2026-11-19 02:00
Mūsų sistema rado
2026-11-19 19:34
Santrauka sugeneruota
2026-11-20 20:08

Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas

Daugiapakopių AI agentų optimizavimas naudojant „Tunix“ ir „Gemma 4“ pastiprinamąjį mokymą · TENESYS AI NEWS