Naukowcy zaproponowali nową metodę szkolenia o nazwie Self-Disagreement, która poprawia zdolność modelu do oceny własnych argumentów. Zamiast polegać na opiniach ludzi czy zewnętrznych modelach nagród, agent generuje własne kontrargumenty i uczy się poprzez ich weryfikację.
Badacze zaprezentowali „RL-ATTACK”, nową metodę wykorzystującą uczenie ze wzmocnieniem do generowania ataków typu adversarial na modele językowe, bez potrzeby posiadania dostępu do gradientów modelu. Metoda ta, ucząc się na podstawie reakcji celu, osiąga wysoką efektywność przy niewielkiej liczbie zapytań i skutecznie omija mechanizmy bezpieczeństwa.
Badacze z Apple zaprezentowali infrastrukturę do uczenia online agentów mobilnych, która rozdziela logikę planowania od interpretacji wizualnej interfejsu. Dzięki zastosowaniu szczegółowych sygnałów zwrotnych od LLM oraz nowej metody GiGPPO, modele te osiągają znacznie lepszą stabilność niż systemy szkolone wyłącznie na statycznych danych.
Naukowcy zaprezentowali CoFiBreak, mechanizm nagradzania podczas trenowania atakujących modeli LLM, który wymusza większą różnorodność strategii przełamywania zabezpieczeń. Dzięki zastosowaniu struktury nagród typu „coarse-to-fine” (od ogółu do szczegółu) w optymalizacji polityki grupowej (GRPO), metoda ta pozwala uniknąć typowej dla uczenia wzmacnianego zapaści, w której modele skupiają się na wąskim zestawie powtarzalnych promptów.
AWS ogłosił ogólną dostępność (GA) funkcji „training sessions” w ramach serverless customization modeli Amazon SageMaker AI. Zespoły mogą pisać własne pętle post-treningowe — w tym niestandardowe funkcje straty i sygnały nagrody dla uczenia ze wzmocnieniem (RL) — podczas gdy SageMaker AI zajmuje się alokacją GPU, rozproszonym wykonaniem, odzyskiwaniem po awarii i przechowywaniem checkpointów. Obsługiwane techniki to SFT, DPO, RLVR, RLAIF oraz wielotaktowy RL, z wyborem LoRA lub pełnego fine-tuningu. Funkcja obsługuje modele gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B oraz Qwen3.8-27B, a rozliczenie opiera się na liczbie przetworzonych tokenów, z zatrzymaniem licznika podczas oceniania odpowiedzi przez funkcję nagrody użytkownika.
Google Cloud i NVIDIA ogłosiły ogólną dostępność instancji A5X opartych na GPU NVIDIA Vera Rubin NVL72, kartach ConnectX-9 SuperNIC oraz sieci Google Virgo, przeznaczonych do zadań agentowych i uczenia ze wzmocnieniem na dużą skalę. Google Cloud planuje rozbudować infrastrukturę Vera Rubin do nawet 960 000 GPU Rubin w wielu lokalizacjach, z ogólną dostępnością w przyszłym miesiącu i planowaną ekspansją do Europy. Pierwszym klientem jest londyńska firma Ineffable Intelligence, założona przez twórcę AlphaGo Davida Silvera, wykorzystująca platformę do budowy systemów „superlearner”.
Badacze Apple, wspólnie z Narodowym Uniwersytetem Singapuru, opublikowali pracę o RISED – nowej metodzie trenowania agentów LLM, które muszą jednocześnie uczyć się w wielu różnych środowiskach interaktywnych. Zamiast polegać wyłącznie na skalarnych sygnałach nagrody, RISED wykorzystuje sędziego LLM, który oznacza każdy przebieg treningowy rubrykami opisującymi zachowanie, a następnie wykorzystuje te oznaczenia do wyboru danych treningowych i dostarczenia dodatkowego nadzoru. Autorzy podają, że RISED osiąga najwyższy średni wskaźnik sukcesu we wszystkich środowiskach w porównaniu z istniejącymi metodami, zajmując pierwsze lub drugie miejsce w każdym testowanym środowisku.