prime-rl 0.10.0、新たなIPO損失関数と最大15％の高速化

Prime Intellectはprime-rl 0.10.0とverifiers 0.4.0を発表した。今回の更新では、非同期強化学習のデフォルト損失関数が、従来のDPPOベースのものから新しいIPO（INTELLECT Policy Optimization）損失関数に切り替わった。また、大規模モデルのQwen3-235B-A22Bなどで学習速度を最大1.15倍に高める性能改善に加え、DeepSeek V4 FlashやQwen-VLといった新しいアーキテクチャにも対応した。