#reinforcement learning

'xAI выпустил Grok-4-Fast — единую prompt-управляемую модель с 2M-токенным окном и tool-use RL, которая сохраняет точность Grok-4, но использует примерно на 40% меньше токенов.'

'MoonshotAI выпустил checkpoint-engine — решение для обновления весов на тысячах GPU примерно за 20 секунд, полезное для RL и масштабного сервинга с минимальным простоем.'

'Biomni-R0 использует end-to-end reinforcement learning и экспертно заданные награды для обучения 8B и 32B биомедицинских агентов, которые превосходят более крупные общие модели по многим задачам.'