Prime Intellect a annoncé la version 0.10.0 de prime‑rl, accompagnée de verifiers 0.4.0. La mise à jour fait de la nouvelle perte IPO (INTELLECT Policy Optimization) le choix par défaut pour l’apprentissage par renforcement asynchrone, en remplacement de l’ancienne perte basée sur DPPO. Elle comprend aussi des optimisations qui accélèrent l’entraînement jusqu’à 1.15× sur de grands modèles comme Qwen3‑235B‑A22B, et prend en charge de nouvelles architectures, notamment DeepSeek V4 Flash et Qwen‑VL.
Pourquoi c'est important
Les chercheurs peuvent entraîner de grands modèles de langage un peu plus rapidement, avec une perte RL plus stable qui réduit le risque d’effondrement de l’entraînement.
