Prime Intellect anunció la versión 0.10.0 de prime‑rl junto con verifiers 0.4.0. La actualización establece la nueva función de pérdida IPO (INTELLECT Policy Optimization) como predeterminada para el aprendizaje por refuerzo asíncrono, en sustitución de la anterior, basada en DPPO. También incluye ajustes de rendimiento que permiten entrenar hasta 1.15× más rápido modelos grandes como Qwen3‑235B‑A22B, además de incorporar compatibilidad con nuevas arquitecturas, como DeepSeek V4 Flash y Qwen‑VL.
Por qué importa
Los investigadores pueden entrenar modelos de lenguaje grandes algo más rápido y con una función de pérdida de RL más estable, lo que reduce el riesgo de que el entrenamiento colapse.
