เครื่องมือนักพัฒนา
Hugging Face เปิดวิธีเทรน coding agent ด้วย RL แบบ "loop-owning" — ปล่อยให้ OpenCode รันลูปของตัวเอง แล้วเทรนบนโทเคนจริงที่มันพ่นออกมา
5 ส.ค. 2026 Sergio Paniego จาก Hugging Face ปล่อยคู่มือเทรน coding agent ด้วย RL แบบใหม่ — แทนที่ trainer จะขับลูปเอง ให้ harness อย่าง OpenCode รันลูปของมันเองจนจบ แล้ว proxy ดักเก็บ token ID กับ logprob จริงมาเทรนด้วย AsyncGRPO บน sandbox ระยะไกลตัวละ ~$0.01 ต่อชั่วโมง
· อ่าน 7 นาที