Prime Intellect ने prime‑rl का संस्करण 0.10.0 और verifiers 0.4.0 जारी करने की घोषणा की। इस अपडेट में एसिंक्रोनस रीइन्फोर्समेंट लर्निंग के लिए नया IPO (INTELLECT Policy Optimization) लॉस डिफ़ॉल्ट बनाया गया है, जो पुराने DPPO-आधारित लॉस की जगह लेता है। इसमें प्रदर्शन से जुड़े ऐसे बदलाव भी हैं, जिनसे Qwen3‑235B‑A22B जैसे बड़े मॉडल पर ट्रेनिंग 1.15× तक तेज़ होती है। साथ ही, DeepSeek V4 Flash और Qwen‑VL जैसे नए आर्किटेक्चर का समर्थन भी जोड़ा गया है।
यह क्यों मायने रखता है
शोधकर्ता बड़े भाषा मॉडल को कुछ तेज़ी से और अधिक स्थिर RL लॉस के साथ ट्रेन कर सकते हैं, जिससे ट्रेनिंग के बीच में विफल होने की आशंका घटती है।
