Prime Intellect har presenterat prime‑rl version 0.10.0 tillsammans med verifiers 0.4.0. Uppdateringen gör den nya IPO-förlusten (INTELLECT Policy Optimization) till standard för asynkron förstärkningsinlärning, där den ersätter den äldre DPPO-baserade förlusten. Den innehåller också prestandaförbättringar som gör träningen upp till 1,15× snabbare på stora modeller som Qwen3‑235B‑A22B, och lägger till stöd för nya arkitekturer som DeepSeek V4 Flash och Qwen‑VL.
Varför det spelar roll
Forskare kan träna stora språkmodeller något snabbare och med en stabilare RL-förlust, vilket minskar risken för att träningen kollapsar.
