A Prime Intellect anunciou a versão 0.10.0 do prime‑rl junto com a 0.4.0 do verifiers. A atualização torna a nova perda IPO (INTELLECT Policy Optimization) o padrão para aprendizado por reforço assíncrono, substituindo a perda anterior baseada em DPPO. Também inclui ajustes de desempenho que aceleram o treinamento em até 1,15× em modelos grandes, como o Qwen3‑235B‑A22B, e adiciona suporte a novas arquiteturas, como DeepSeek V4 Flash e Qwen‑VL.
Por que importa
Pesquisadores podem treinar grandes modelos de linguagem um pouco mais rápido e usar uma perda de RL mais estável, reduzindo o risco de o treinamento entrar em colapso.
