Prime Intellect объявила о выходе prime-rl версии 0.10.0 и verifiers 0.4.0. В обновлении новая функция потерь IPO (INTELLECT Policy Optimization) стала стандартной для асинхронного обучения с подкреплением, заменив прежнюю функцию потерь на основе DPPO. Также обновление включает оптимизации производительности: на крупных моделях, таких как Qwen3‑235B‑A22B, обучение идёт до 1,15 раза быстрее. Кроме того, добавлена поддержка новых архитектур, в том числе DeepSeek V4 Flash и Qwen‑VL.
Почему это важно
Исследователи смогут немного быстрее обучать крупные языковые модели и использовать более стабильную функцию потерь для RL, снижая риск срыва обучения.
