单块 TPU 跑多轮智能体 RL:Gemma 4 E2B 胜率从 9.4% 练到 95%

Saboo_Shubham_ · x · 2026-11-21

有人在单块 Google TPU 上对 Gemma 4 E2B 做多轮智能体强化学习:让模型(开启 thinking 模式)在对话中玩需要工具调用的桌游 Plane Strike,用 GRPO 训练 100 步后,工具调用胜率从初始 9.4% 提升到 95%。

训练指标显示 win rate 稳步上升,同时对话长度、工具调用次数、重复与非法操作率同步下降;作者提到改用 turn-level credit assignment 可能取得更好效果。完整训练配方 100% 开源(基于 Tunix)。

原文链接 →

「编程与Agent」频道最新

更多「编程与Agent」频道 AI 资讯 →