Prime Intellect, prime‑rl 0.10.0 sürümünü verifiers 0.4.0 ile birlikte duyurdu. Güncelleme, eşzamansız pekiştirmeli öğrenme için yeni IPO (INTELLECT Policy Optimization) kaybını varsayılan hâle getirerek eski DPPO tabanlı kaybın yerini alıyor. Ayrıca Qwen3‑235B‑A22B gibi büyük modellerde eğitimi 1,15 kata kadar hızlandıran performans iyileştirmeleri içeriyor ve DeepSeek V4 Flash ile Qwen‑VL gibi yeni mimarilere destek ekliyor.
Neden önemli
Araştırmacılar büyük dil modellerini biraz daha hızlı ve daha kararlı bir RL kaybıyla eğitebilir; böylece eğitimin çökme riski azalır.
