แท็ก

#Reinforcement Learning

6 บทความ

Cantina ปล่อย apex-flash-1 โมเดลความปลอดภัยแบบ open-weight (MIT) บน GLM-5.3-Flash — แก้โจทย์เจาะช่องโหว่ได้ 40 จาก 60 ข้อด้วยค่าใช้จ่าย $2.38 เทียบ Opus 5 ที่ได้ 43 ข้อแต่ใช้ $74.68 และปล่อยรุ่น abliterated มาด้วยเอง
โมเดลใหม่

Cantina ปล่อย apex-flash-1 โมเดลความปลอดภัยแบบ open-weight (MIT) บน GLM-5.3-Flash — แก้โจทย์เจาะช่องโหว่ได้ 40 จาก 60 ข้อด้วยค่าใช้จ่าย $2.38 เทียบ Opus 5 ที่ได้ 43 ข้อแต่ใช้ $74.68 และปล่อยรุ่น abliterated มาด้วยเอง

Cantina Security ร่วมกับ Yeta Labs ปล่อย apex-flash-1 โมเดล 321B (MoE จาก GLM-5.3-Flash) ไลเซนส์ MIT ที่ฝึก RL ด้วย GRPO บนช่องโหว่จริงจากงานของบริษัท ในชุดทดสอบภายใน 60 โจทย์ทำได้ 66.7% (40 ข้อ) ขณะที่ Claude Opus 5 High ได้ 71.7% แต่แพงกว่าราว 31 เท่า และบริษัทปล่อยรุ่น abliterated ที่ลดการปฏิเสธคำขอมาพร้อมกัน น้ำหนักขึ้น Hugging Face ตั้งแต่ 1 ต.ค. โพสต์นี้จึงเป็นการตามข่าวย้อนหลัง

· อ่าน 5 นาที
Xiaomi ปล่อยน้ำหนัก MiMo-V2.6 Pro (1.02T) และ Flash (309B) แล้ว — omni 1M context ลงวันเดียวกับที่ dashboard RL ปิดฉาก พร้อมป้าย MIT ที่ยังไม่มีไฟล์ LICENSE
โมเดลใหม่

Xiaomi ปล่อยน้ำหนัก MiMo-V2.6 Pro (1.02T) และ Flash (309B) แล้ว — omni 1M context ลงวันเดียวกับที่ dashboard RL ปิดฉาก พร้อมป้าย MIT ที่ยังไม่มีไฟล์ LICENSE

Xiaomi อัปโหลด MiMo-V2.6-Pro-RL (MoE 1.02T / active 42B) และ MiMo-V2.6-Flash-RL (309B / active 15B) ขึ้น Hugging Face เมื่อคืน 21 ก.ย. — รับข้อความ ภาพ วิดีโอ เสียง ในโมเดลเดียว context 1M เก็บน้ำหนักแบบ MXFP4 และการ์ดระบุ MIT แต่ใน repo ยังไม่มีไฟล์ LICENSE ส่วน dashboard RL ที่ถ่ายทอดสดมาตลอดสัปดาห์ปิดที่ 30 สเต็ป ตัวนับค่าใช้จ่ายรวมราว 3.5 ล้านดอลลาร์

· อ่าน 6 นาที
โมเดล 4B เทรนเองด้วยงบ $1,200 ทำ query plan เร็วกว่า Postgres 1.81 เท่า — แต่ต้องอ่านเงื่อนไขให้ครบ
งานวิจัย

โมเดล 4B เทรนเองด้วยงบ $1,200 ทำ query plan เร็วกว่า Postgres 1.81 เท่า — แต่ต้องอ่านเงื่อนไขให้ครบ

16 ก.ย. Rohan Bansal เผยแพร่ qorl งานทดลองเทรนโมเดลเปิด 4B ด้วย off-policy distillation จาก GPT-6 Astra แล้วต่อด้วย agentic RL ให้ออก pg_hint_plan hints ผลบน Join Order Benchmark ได้ geometric mean speedup 1.81 เท่าและลด latency รวม 44.7% ด้วยต้นทุนทั้งโครงการ $1,200 แต่ตัวเลขนี้มาจากการเลือกผลที่ดีที่สุดจาก 3 รอบ ถ้าให้โมเดลเลือกเองเหลือ 1.40 เท่าและมี 7 query ที่ช้าลง

· อ่าน 7 นาที
Xiaomi ถ่ายทอดสด RL run ของ MiMo v2.6 แบบเรียลไทม์ — เปิดทั้งกราฟ pass rate, ค่าไฟรายวินาที และ log ที่ node ล่ม ให้คนทั้งโลกดู
งานวิจัย

Xiaomi ถ่ายทอดสด RL run ของ MiMo v2.6 แบบเรียลไทม์ — เปิดทั้งกราฟ pass rate, ค่าไฟรายวินาที และ log ที่ node ล่ม ให้คนทั้งโลกดู

Xiaomi เปิดหน้าเว็บ mimo.xiaomi.com/rl ถ่ายทอดสดการเทรน RL ของโมเดลที่ยังไม่ปล่อยสองตัว (mimo-v2.6-pro และ mimo-v2.6-flash) ดึงตัวเลขตรงจาก log ของ trainer — ทั้ง pass rate รายสเต็ป, จำนวน sandbox ที่วิ่งอยู่สองหมื่นกว่าตัว, อัตราค่าใช้จ่ายรวม $8.57 ต่อวินาที และประกาศแจ้งว่า node หนึ่งเจอปัญหา VRAM จนต้องรีสตาร์ต ซึ่งเป็นระดับความโปร่งใสที่แล็บใหญ่ไม่เคยทำมาก่อน

· อ่าน 8 นาที
Cognition เปิด SWE-2 เทรน RL ต่อบน Kimi K3 2.8T — FrontierCode 50.0% ห่าง Fable 5.1 ไม่ถึงแต้มที่ต้นทุนต่ำกว่า 64% แต่ Terminal-Bench 4 ได้ไม่ถึงครึ่ง
โมเดลใหม่

Cognition เปิด SWE-2 เทรน RL ต่อบน Kimi K3 2.8T — FrontierCode 50.0% ห่าง Fable 5.1 ไม่ถึงแต้มที่ต้นทุนต่ำกว่า 64% แต่ Terminal-Bench 4 ได้ไม่ถึงครึ่ง

10 ก.ย. Cognition เปิดตัว SWE-2 โมเดลโค้ดดิ้งที่โพสต์เทรนจาก Kimi K3 ขนาด 2.8T ด้วย RL ที่ฝึกทุกระดับ effort ในรันเดียวผ่าน reward แบบหักต้นทุนเชิงเส้น ได้ FrontierCode 1.1 Main 50.0% เทียบกับ Fable 5.1 ที่ 50.9% ด้วยต้นทุนต่ำกว่า 64% ใช้ได้ใน Devin Desktop และ CLI — แต่ตารางเดียวกันแสดงว่าบน Terminal-Bench 4 ได้ 27.3% ขณะที่ Fable 5.1 และ GPT-6 Astra ได้ 55.8% และ 57.9% และยังไม่มี API หรือราคาต่อโทเคนสาธารณะ

· อ่าน 6 นาที
เอาเครื่องมือสร้าง Agent Skill อัตโนมัติ 4 ตัวมาวัดกันบน CL-Bench แล้วพบว่าทุกตัวได้คะแนนต่ำกว่า 'ไม่ใส่ skill เลย' — รวมถึง Skill-Creator ของ Anthropic
AI Skills

เอาเครื่องมือสร้าง Agent Skill อัตโนมัติ 4 ตัวมาวัดกันบน CL-Bench แล้วพบว่าทุกตัวได้คะแนนต่ำกว่า 'ไม่ใส่ skill เลย' — รวมถึง Skill-Creator ของ Anthropic

เปเปอร์ Skill-α (arXiv 3 ส.ค.) เทรน Qwen3-8B ด้วย GRPO ให้เรียนรู้การ 'แก้ skill ทีละจุด' พร้อม rollback reward และเปิดโค้ด MIT — แต่สิ่งที่น่าตกใจกว่าคือตารางเปรียบเทียบ: บน CL-Bench กับ worker GPT-4o เครื่องมือสร้าง skill อัตโนมัติทั้ง 4 ตัวรวมถึงของ Anthropic ทำคะแนนแย่กว่าการไม่ใส่ skill เลย

· อ่าน 6 นาที