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