Bilanz der Quelle: Ein 1T-Parameter-Modell mit 32B aktiven Parametern wurde mit GSPO auf einem LoRA-Adapter (Rang 32) nachreinforcement-traint – nur RL, 1.700 Aufgaben, eine Epoche. Ergebnis auf sechs externen Benchmarks: SWE-Bench Pro 60,1 auf 64,8, DeepSWE 31,0 auf 43,4, Terminal-Bench 2.1 67,4 auf 82,0, Terminal-Bench 3 1,4 auf 12,1, Terminal-Bench 4 0,0 auf 7,6, SWE-Marathon 5,0 auf 25,0. Die Belohnung ist der Anteil bestandener Zielpruefungen und faellt auf null, sobald ein bestehender Test bricht.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
