AWS راهنمایی برای ریزتنظیم یک عامل جست‌وجو با یادگیری تقویتی چندمرحله‌ای در Amazon SageMaker AI منتشر کرده است. در این روش، عامل طی رشته‌ای کامل از جست‌وجوها آموزش می‌بیند و کیفیت نتایج نهایی آن به‌عنوان پاداش سنجیده می‌شود.
در ارزیابی AWS، مدل ریزتنظیم‌شده Qwen3.6-27B در سه مورد از چهار بنچمارک کنارگذاشته‌شده عملکرد بهتری داشت. در BrowseComp-Plus، امتیاز nDCG@10 آن 23.7% افزایش یافت و نرخ خطا از 22.89% به 0.68% رسید. AWS می‌گوید آموزش با یک epoch و اندازه دسته 128 انجام شد؛ متن ارائه‌شده از پست، مجموعه کامل نتایج را دربر ندارد.
چرا مهم است
برای تیم‌هایی که با SageMaker AI عامل جست‌وجو می‌سازند، نتایج AWS نشان می‌دهد ریزتنظیم چندمرحله‌ای می‌تواند خطاهای انجام وظایف را کاهش دهد؛ هرچند گزیده ارائه‌شده از پست، نتایج کامل بنچمارک‌ها یا هزینه‌های آموزش را شامل نمی‌شود.
