AWS опубликовала руководство по дообучению поискового агента с помощью многошагового обучения с подкреплением на Amazon SageMaker AI. Агент обучается выполнять целую последовательность поисковых запросов, а в качестве вознаграждения используется качество итоговых результатов.
По оценке AWS, дообученная Qwen3.6-27B показала улучшение на трёх из четырёх тестов, не использовавшихся при обучении. В BrowseComp-Plus показатель nDCG@10 вырос на 23.7%, а доля неудачных попыток снизилась с 22.89% до 0.68%. По данным AWS, обучение проводилось в течение одной эпохи с размером пакета 128; в предоставленном тексте публикации полный набор результатов не приводится.
Почему это важно
Для команд, создающих поисковых агентов на SageMaker AI, результаты AWS говорят о том, что многошаговое дообучение может сократить число неудачных попыток. Однако в предоставленном фрагменте публикации нет полных результатов тестов и данных о стоимости обучения.
