Μετάβαση στο περιεχόμενο

Θέμα: Post-training

Προσαρμογέας LoRA για το Qwen3.8-27B: Terminal-Bench 2.1 από 39.5% σε 55.8% με RL μέσα στο harness

Έρευνα2 πηγές

Η Hugging Face εκπαίδευσε με ενισχυτική μάθηση προσαρμογείς για πράκτορες κώδικα. Στο pi η επιτυχία στο Terminal-Bench 2.1 ανεβαίνει από 39.5% σε 55.8%, με περίπου μισά tokens ανά εργασία.

LLMON: γλώσσα σήμανσης για γλωσσικά μοντέλα στα Granite 4.1 3B και 8B, με στόχο τις έμμεσες επιθέσεις εντολών

Τεχνικές αναφορές

Δύο πειραματικές εκδόσεις των Granite 4.1, με 3B και 8B παραμέτρους, μαθαίνουν σήμανση που ξεχωρίζει τις εντολές από τα δεδομένα. Τα αποτελέσματα που δίνεται δείχνουν σχεδόν μηδενική επιτυχία επιθέσεων σε ένα τεστ.

BotPsy 0.8B της Tether AI Research: 44.0 στο BFCL v4 έναντι 23.4 του βασικού μοντέλου

Τεχνικές αναφορές

Η Tether AI Research παρουσίασε το BotPsy, μοντέλο 0.8B παραμέτρων για κλήση εργαλείων σε συσκευή. Σύμφωνα με τα δικά της αποτελέσματα, διπλασιάζει περίπου τις επιδόσεις του Qwen3.5-0.8B-Think στα agentic benchmarks.