Paper Instruments 发布 Ultramarine 1 Flash:用 RL 训练不可验证知识工作
lmoroney · x · 2026-10-15
Paper Instruments 发布 Ultramarine 1 Flash,一个面向专业知识工作的 agentic 模型,基于 GLM-5.3 Flash 做大规模强化学习后训练。- 难点:金融、法律、咨询、运营等任务无法用单元测试或 regex 打分,质量取决于判断力,奖励需按任务定制。- 方法:合成带环境、指令与评分准则(rubric)的任务,用 rubric 中陈述实质得分条件的二元标准来给 Excel、PowerPoint、Word 输出打分;课程覆盖 4 个领域、19 个业务方向、88 种环境类型。- 结果:在 6 个知识工作基准上平均比基础模型高 4.1 分,token 用量少 6.5%;成本 $0.13/任务,超过 Claude Fable 5($8.19)和 GPT-5.6 Sol($2.09),接近 Claude Opus 5.5 与 GPT-6 Sol。- 可用性:已上线其 API,权重约两周后开源。作者还建议 RL 教学者练习:给一个开放式作业写三条可核验事实的二元 rubric 标准,这是非可验证 RL 最难的部分。
所属事件:Paper Instruments 发布 Ultramarine 1 Flash 模型(2 条相关)→
「模型」频道最新
- 阶跃星辰发布 Step-5-Preview：600B 总参/27B 激活、1M 上下文 — ResearchCrafty1804 · 2026-10-15
- dmis-lab 开源 UltraBERT:150M/380M 编码器,32K 上下文 — algo_diver · 2026-10-15
- DeepSeek V4.1 疑似实录:模型自评 430-460 tok/s 解码速度,后证伪 — teortaxesTex · 2026-10-15
- OpenCode 上 Gemini 4 Argon 促销:$10 可用 $60 额度至 11 月 30 日 — m4rkmc · 2026-10-15
- 实测损失 5 个 Claude 账号数百美金:封号最看支付方式与聊天内容 — jiayuan_jy · 2026-10-15
- 开发者称用 Jev 检测 X 垃圾推文很容易，平台两年未重视 — ivan_bezdomny · 2026-10-15