Sanʼiy aqllik tadqiqotchisi jamoasi GRPO (Gradient-Based Reward-Optimized) nomli yangi usul yordamida 350 millionli parameterli til modelini atigi 100 qadamda muvaffaqiyatli sozlamadan oʻtkazdi. Bu optimallashtirish jadval, forma dasturi va dasturlash kodini kabi tuzilgan chiqishlarni generatsiya qilishda sezilarli yaxshilanishga olib keldi. Eksaminal natijalar GRPO usulining uzun muddatli oʻquv davrlariga yoki katta hajmda hisoblash resurslariga ehtiyoj his qilmagan holda tuzilgan vazifalarda yuqori aniqlikka tez orada erishish imkonini berishini koʻrsatmoqda. Bu ilmiy yutqaziq oʻrtacha oʻlchamli modellarning savdo va tadqiqot sohasida keng qoʻllanilishiga yoʻl ochishi mumkin.
GRPO ning 100 qadamli usulidan foydalanib, strukturli chiqishlar uchun 350 million parametrga ega modelni optimallashtirish
Aidanix jamoasi3 daq11-sentabr, 2026
تنظیم‑دقیق مدل۳۵۰ میلیون پارامترخروجی ساختاریافتهGRPOهوش مصنوعی

