Pesquisadores apresentam o Ring-Zero, um pipeline de treinamento estável que escala o aprendizado por reforço com recompensas verificáveis para modelos com um trilhão de parâmetros, abordando problemas como redundância de tokens e má legibilidade encontrados no escalonamento ingênuo.
O sistema incorpora otimizações algorítmicas como amostragem de importância recortada e controle de precisão mista. Experimentos em sete benchmarks matemáticos mostram que o modelo alcança desempenho competitivo enquanto desenvolve espontaneamente comportamentos cognitivos avançados, incluindo autoverificação e raciocínio paralelo.
Um framework de avaliação estruturado demonstra as vantagens do modelo em produzir traços de raciocínio compreensíveis, reproduzíveis e eficientes, validando que escalar para 1T parâmetros melhora a eficiência de amostragem e os tetos de desempenho.