Prime Intellect نسخه 0.10.0 از prime‑rl را همراه با verifiers 0.4.0 معرفی کرد. در این به‌روزرسانی، زیان جدید IPO (بهینه‌سازی سیاست INTELLECT) به گزینه پیش‌فرض یادگیری تقویتی ناهمگام تبدیل شده و جای زیان مبتنی بر DPPO را گرفته است. این نسخه همچنین با بهبودهای عملکردی، آموزش مدل‌های بزرگی مانند Qwen3‑235B‑A22B را تا ۱٫۱۵ برابر سریع‌تر می‌کند و از معماری‌های جدیدی مانند DeepSeek V4 Flash و Qwen‑VL پشتیبانی می‌کند.
چرا مهم است
پژوهشگران می‌توانند مدل‌های زبانی بزرگ را کمی سریع‌تر آموزش دهند و از زیان RL باثبات‌تری استفاده کنند؛ در نتیجه احتمال فروپاشی آموزش کمتر می‌شود.
