แท็ก

#RL

2 บทความ

SGLang 0.5.20: มาสก์การสุ่มสำหรับ RL rollout ที่เล่นซ้ำได้, radix tree รวมร่างดัน cache hit 43.8%→60.8% และโหลดโมเดลบน ROCm จาก 505 วินาทีเหลือ 40 วินาที
เครื่องมือนักพัฒนา

SGLang 0.5.20: มาสก์การสุ่มสำหรับ RL rollout ที่เล่นซ้ำได้, radix tree รวมร่างดัน cache hit 43.8%→60.8% และโหลดโมเดลบน ROCm จาก 505 วินาทีเหลือ 40 วินาที

SGLang v0.5.20 (18 ก.ย. 2026) รวม 713 PR จาก 237 ผู้ร่วมพัฒนา ของเด่นคือ return_sampling_mask ที่ทำให้ trainer เล่น rollout ซ้ำได้โดยไม่ต้องสร้าง top-k/top-p ใหม่, unified radix tree ที่แคชจุดแตกแขนงของ SWA, ตัวจำลองสเกดูเลอร์ที่รันบน CPU ล้วน และการซ่อม path โหลดโมเดลบน ROCm ที่เร็วขึ้นกว่า 12 เท่า

· อ่าน 7 นาที
Thinking Machines + Bridgewater: จูนโมเดลเปิด Qwen3-235B ให้ชนะ frontier LLM บนงานการเงิน — แม่นกว่า ผิดน้อยลง 30% ต้นทุนถูกลง 13.8 เท่า
งานวิจัย

Thinking Machines + Bridgewater: จูนโมเดลเปิด Qwen3-235B ให้ชนะ frontier LLM บนงานการเงิน — แม่นกว่า ผิดน้อยลง 30% ต้นทุนถูกลง 13.8 เท่า

Thinking Machines Lab ร่วมกับ Bridgewater เผยแพร่งานวิจัย (30 มิ.ย.) ที่จูนโมเดลเปิด Qwen3-235B ด้วยชุดเทคนิค RL บนแพลตฟอร์ม Tinker จนได้ความแม่น 84.7% บนงานคัดกรองเอกสารการเงิน แซงโมเดล frontier ที่ดีที่สุด (78.2%) ขณะที่ต้นทุน inference ถูกลง 13.8 เท่า.

· อ่าน 6 นาที