Optymalizacja wieloetapowych agentów AI za pomocą Tunix i uczenia przez wzmacnianie Gemma 4
Google rozszerzyło ramy Tunix, umożliwiając wydajne, wieloetapowe uczenie przez wzmacnianie (RL) na Cloud TPU v6e-8. Stosując agentowe Group Relative Policy Optimization (GRPO) w modelu Gemma 4, programiści mogą teraz trenować modele, które wykazują się wysoką skutecznością w wnioskowaniu przestrzennym i iteracyjnym korzystaniu z narzędzi.