Ring-Zero масштабирует нулевое обучение с подкреплением до 1 трлн параметров для эмерджентного рассуждения

Исследователи представляют Ring-Zero, стабильный конвейер обучения, который масштабирует обучение с подкреплением с верифицируемыми наградами на модели с одним триллионом параметров, решая такие проблемы, как избыточность токенов и плохая читаемость, обнаруженные при наивном масштабировании.