AREaL-SEA-235B-A22B — это многоходовой интерактивный агент, использующий инструменты, доработанный на основе Qwen3-235B-A22B-Thinking-2507 с использованием SFT + обучение с подкреплением с проверяемыми вознаграждениями. — Документ: От саморазвивающихся синтетических данных к RL с проверяемым вознаграждением: многоходовые интерактивные агенты, использующие инструменты после обучения — Структура обучения: AReaL — крупномасштабная асинхронная система обучения с подкреплением — Контрольный показатель: τ²-bench — Средний балл прохождения^1 во всех трех областях τ²-bench превышает GPT-5 (80,0%) и Qwen3-Max-Thinking (80,7%). — Обучение полностью на саморазвивающихся синтетических данных — никаких человеческих аннотаций не требуется. — Сквозное пост-обучение (SFT → RL) на базе AReaL с использованием полностью асинхронного GRPO с преимуществами относительно группы на уровне траектории и динамической фильтрацией. Смешанные результаты обучения на τ²-стенде (обучение на объединенных данных из всех трех областей): 1. Генерация синтетических данных: иерархическая саморазвивающаяся многоагентная структура генерирует многоэтапные диалоги использования инструментов с исполняемыми функциями проверки для каждого экземпляра, охватывающими три области: авиакомпания, розничная торговля и телекоммуникации. 2. Контролируемая точная настройка (SFT). Базовая модель сначала дорабатывается на основе синтетических диалогов. 3. Армирование…
Модальности:
Генерация текста
Области применения:
Диалог / чат Вызов функций (Tool use)
Задача: Генерация текста
Автор: inclusionAI
Теги: qwen3_moe, tool-use, agent, multi-turn, reinforcement-learning, GRPO, tau2-bench, AReaL
Лайков: 6 | Загрузок: 14
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
