実行環境に合わせてモデルを鍛える「ハーネスアダプター」
エージェントの実行環境ごとに強化学習を行うと、正答率だけでなくトークン消費も改善できる可能性があります。Hugging Faceの実験をもとに、仕組みと実務での活用方法を解説します。
AIの最新情報をわかりやすく解説
エージェントの実行環境ごとに強化学習を行うと、正答率だけでなくトークン消費も改善できる可能性があります。Hugging Faceの実験をもとに、仕組みと実務での活用方法を解説します。
RadixArkが公開したDaisyRose-27Bは、約1,200件の厳選タスクを使い、長時間のエージェント作業を強化学習で学んだモデルです。ベンチマークの改善に加え、学習基盤や実行環境の効率化にも取り組んでいます。
ThinkingBoxは、AIエージェントが作業後に残したデータベースの状態を採点し、その結果を学習報酬に使います。Qwen3.8-27Bでは平均成功率と繰り返し成功するタスク数が伸びた一方、少なくとも一度成功したタスク数はわずかに減少しました。成果と評価上の注意点を整理します。