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)。
「编程与Agent」频道最新
- 阶跃星辰发布 Step 5 Preview,聚焦智能体可靠性与成本 — StepFun_ai · 2026-11-21
- AI 一周做游戏惹争议,独立开发者怒斥 demo 被吹成成品 — AIandDesign · 2026-11-21
- RAG 换成 Jev 后人选准确率从 44% 飙到 92%,单次成本仅几美分 — Select_Condition2805 · 2026-11-21
- Agent 审计日志该记什么:MCP 网关盲区与两条补救实践 — BlitzBallBruiser · 2026-11-21
- uivoid:任意 API 零代码生成托管 MCP 服务器 — Necessary_Client_114 · 2026-11-21
- 个人Agent还能这么用:穷追航司历史延误索赔直到赔钱 — nickbaumann_ · 2026-11-21