{"id":470297,"date":"2025-08-11T21:05:10","date_gmt":"2025-08-11T21:05:10","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=470297"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=470297","title":{"rendered":"Reflect, Retry, Reward: \u043a\u0430\u043a RL \u0443\u0447\u0438\u0442 LLM \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0438 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u044c\u0441\u044f \u043b\u0443\u0447\u0448\u0435<\/span>"},"content":{"rendered":"
<\/div>\n
\n
\n
\n
\n

\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440!
\u041c\u0435\u043d\u044f \u0437\u043e\u0432\u0443\u0442 \u0420\u043e\u043c\u0430\u043d, \u044f NLP-\u0438\u043d\u0436\u0435\u043d\u0435\u0440 \u0432 \u0421\u0431\u0435\u0440\u0435. \u0417\u0430\u043d\u0438\u043c\u0430\u044e\u0441\u044c \u043c\u0443\u043b\u044c\u0442\u0438\u0430\u0433\u0435\u043d\u0442\u043d\u044b\u043c\u0438 \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u043c\u0438 \u0438 \u0440\u0430\u0431\u043e\u0442\u0430\u044e \u0441 LLM \u0432 \u043f\u0440\u043e\u0434\u0435. \u0421\u0435\u0433\u043e\u0434\u043d\u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0436\u0443 \u043f\u0440\u043e \u043e\u0434\u043d\u0443 \u0438\u0437 \u0441\u0430\u043c\u044b\u0445 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u044b\u0445 \u0441\u0442\u0430\u0442\u0435\u0439 \u0438\u044e\u043d\u044f \u043f\u043e \u0432\u0435\u0440\u0441\u0438\u0438 Huggingface Daily Papers \u2014 Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning<\/strong><\/a>.<\/p>\n

TL;DR<\/h2>\n

\u0410\u0432\u0442\u043e\u0440\u044b \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u044e\u0442 \u043f\u0440\u043e\u0441\u0442\u043e\u0439, \u043d\u043e \u043c\u043e\u0449\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434: \u0435\u0441\u043b\u0438 \u043f\u0435\u0440\u0432\u0430\u044f \u043f\u043e\u043f\u044b\u0442\u043a\u0430 \u043c\u043e\u0434\u0435\u043b\u0438 \u043f\u0440\u043e\u0432\u0430\u043b\u0438\u043b\u0430\u0441\u044c, \u043e\u043d\u0430 \u0434\u043e\u043b\u0436\u043d\u0430 \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c \u043a\u0440\u0430\u0442\u043a\u0443\u044e \u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e<\/strong>, \u0430 \u0437\u0430\u0442\u0435\u043c \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043f\u043e\u0432\u0442\u043e\u0440\u043d\u0443\u044e \u043f\u043e\u043f\u044b\u0442\u043a\u0443. \u0415\u0441\u043b\u0438 \u043e\u043d\u0430 \u0443\u0441\u043f\u0435\u0448\u043d\u0430 \u2014 \u043d\u0430\u0433\u0440\u0430\u0434\u0443 \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u043e\u043a\u0435\u043d\u044b \u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438<\/strong>.<\/p>\n

\u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u043c\u043e\u0434\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 GRPO (Group Relative PPO), \u0433\u0434\u0435 \u0432\u0441\u0435 \u0442\u043e\u043a\u0435\u043d\u044b, \u043a\u0440\u043e\u043c\u0435 self-reflection, \u043c\u0430\u0441\u043a\u0438\u0440\u0443\u044e\u0442\u0441\u044f. \u041e\u0446\u0435\u043d\u043a\u0430 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u2014 \u0447\u0435\u0440\u0435\u0437 \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440<\/strong>, \u043a\u043e\u0442\u043e\u0440\u043e\u043c\u0443 \u043d\u0435 \u043d\u0443\u0436\u0435\u043d ground truth.<\/p>\n

\u0418\u0442\u043e\u0433: \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 18.1 \u043f.\u043f. \u043d\u0430 tool-calling \u0437\u0430\u0434\u0430\u0447\u0430\u0445 (APIGen) \u0438 34.7 \u043f.\u043f. \u043d\u0430 \u0430\u0440\u0438\u0444\u043c\u0435\u0442\u0438\u043a\u0435 (Countdown). \u0414\u043b\u044f 1.5\u20137 B \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0442\u0435\u0445\u043d\u0438\u043a\u0430 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0432\u043f\u0435\u0447\u0430\u0442\u043b\u044f\u044e\u0449\u0435: \u043e\u043d\u0438 \u043f\u0440\u0435\u0432\u043e\u0441\u0445\u043e\u0434\u044f\u0442 \u043f\u043e \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0443 >70B \u043c\u043e\u0434\u0435\u043b\u0438. \u0411\u0435\u0437 \u043a\u0430\u0442\u0430\u0441\u0442\u0440\u043e\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f \u0438 \u0441 \u0437\u0430\u0442\u0440\u0430\u0442\u043e\u0439 \u2248 2 \u0442\u044b\u0441\u044f\u0447\u0438 RL-\u0448\u0430\u0433\u043e\u0432 \u043d\u0430 4\u20138 \u00d7 H100.<\/p>\n

\n
\n\n\n\n\n
\n

\u0427\u0442\u043e \u0441\u0434\u0435\u043b\u0430\u043b\u0438 <\/p>\n<\/td>\n

\n

\u0427\u0442\u043e \u044d\u0442\u043e \u0434\u0430\u043b\u043e <\/p>\n<\/td>\n

\n

\u0421\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u043e\u0438\u043b\u043e <\/p>\n<\/td>\n<\/tr>\n

\n

\u041c\u0430\u0441\u043a\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 GRPO \u2192 reward\u00a0\u0442\u043e\u043b\u044c\u043a\u043e\u00a0\u0442\u043e\u043a\u0435\u043d\u0430\u043c self reflection <\/p>\n<\/td>\n

\n

APIGen +18 p.p. (Qwen-2 1.5 B), Countdown +34 p.p. (Qwen-2.5-1.5 B) <\/p>\n<\/td>\n

\n

1 750 \u0448\u0430\u0433\u043e\u0432, 256 \u0444\u0435\u0439\u043b\u043e\u0432\/\u0431\u0430\u0442\u0447, 4\u20138 \u00d7 H100 <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

\u041f\u0440\u0438 \u0432\u0441\u0435\u0439 \u043f\u0440\u043e\u0441\u0442\u043e\u0442\u0435 \u043c\u0435\u0442\u043e\u0434 \u0437\u0430\u043a\u0440\u044b\u0432\u0430\u0435\u0442 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443 \u043f\u0440\u0438 \u0440\u0430\u0431\u043e\u0442\u0435 \u0441 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u043c\u0438 \u043c\u043e\u0434\u0435\u043b\u044f\u043c\u0438, \u0441\u0442\u0440\u043e\u0433\u0438\u043c \u0444\u043e\u0440\u043c\u0430\u0442\u043e\u043c \u0438 \u043e\u0442\u0441\u0443\u0442\u0441\u0442\u0432\u0438\u0435\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430 \u0441 \u043f\u043e\u043b\u043d\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u043e\u0439. <\/p>\n

\u0417\u0430\u0447\u0435\u043c \u0432\u0441\u0451 \u044d\u0442\u043e \u043d\u0443\u0436\u043d\u043e?<\/h2>\n

\u0412 \u0442\u0430\u043a\u0438\u0445 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 \u043a\u0430\u043a Tool \/ API-calling \u0432 \u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u043c \u0444\u043e\u0440\u043c\u0430\u0442\u0435, \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044f \u043a\u043e\u0434\u0430 \u0438 \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u0445 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043e\u0434\u043d\u043e\u0433\u043e \u0441\u0438\u043c\u0432\u043e\u043b\u0430 \u0432 \u043e\u0442\u0432\u0435\u0442\u0435 \u043c\u043e\u0436\u0435\u0442 \u043f\u0440\u0438\u0432\u0435\u0441\u0442\u0438 \u043a \u043d\u0435\u0432\u0435\u0440\u043d\u043e\u043c\u0443 \u0440\u0435\u0448\u0435\u043d\u0438\u044e. \u0418 \u0438\u043c\u0435\u043d\u043d\u043e \u0437\u0434\u0435\u0441\u044c \u043f\u0440\u043e\u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u00ab\u0443\u0437\u043a\u0438\u0445 \u043c\u0435\u0441\u0442\u00bb, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u044b\u0442\u0430\u044e\u0442\u0441\u044f \u0443\u0441\u0442\u0440\u0430\u043d\u0438\u0442\u044c. <\/p>\n

\u0412 \u0440\u0435\u0430\u043b\u044c\u043d\u043e\u043c \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 \u0434\u043b\u044f \u0442\u0430\u043a\u0438\u0445 \u0437\u0430\u0434\u0430\u0447 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0432\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0441\u0442\u0438 json). \u0417\u0430\u0434\u0430\u0447\u0430 \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u043e\u0442\u0432\u0435\u0442\u0443 \u043c\u0435\u0442\u043a\u0443 \u00ab\u0432\u0435\u0440\u043d\u043e\/\u043d\u0435\u0432\u0435\u0440\u043d\u043e\u00bb, \u043f\u0440\u0438 \u044d\u0442\u043e\u043c \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442 \u0437\u043d\u0430\u0442\u044c \u043d\u0435\u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e. <\/p>\n

\u041e\u0441\u043d\u043e\u0432\u043d\u0430\u044f \u0438\u0434\u0435\u044f \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u2014 \u043e\u0442\u0434\u0430\u0442\u044c \u043d\u0430\u0433\u0440\u0430\u0434\u0443 \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u0430\u043c, \u0433\u0434\u0435 \u043e\u043d\u0430 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0432\u043b\u0438\u044f\u0435\u0442 \u043d\u0430 \u043e\u0442\u0432\u0435\u0442. \u041c\u043e\u0434\u0435\u043b\u044c \u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u0443\u0435\u0442 \u043a\u0440\u0430\u0442\u043a\u0443\u044e\u00a0\u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e\u00a0<\/em>\u043f\u043e\u0441\u043b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438. \u0411\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442, \u043f\u0440\u0438\u0432\u0435\u043b\u0430 \u043b\u0438 \u044d\u0442\u0430 \u043c\u044b\u0441\u043b\u044c \u043a\u043e \u0432\u0442\u043e\u0440\u043e\u043c\u0443 \u0443\u0441\u043f\u0435\u0448\u043d\u043e\u043c\u0443 \u0440\u0435\u0448\u0435\u043d\u0438\u044e. \u0415\u0441\u043b\u0438 \u0434\u0430 \u2014 \u043f\u043e\u043b\u043e\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0439 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u00a0\u0442\u043e\u043b\u044c\u043a\u043e \u0442\u0435\u043a\u0441\u0442 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438<\/strong>. \u0422\u0430\u043a \u043c\u044b \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u043c \u043a\u0430\u0436\u0434\u0443\u044e \u043f\u0440\u043e\u0434-\u043e\u0448\u0438\u0431\u043a\u0443 \u0432 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0438\u0439 \u043f\u0440\u0438\u043c\u0435\u0440 \u0431\u0435\u0437 \u0440\u0443\u0447\u043d\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438. \u041d\u0435 \u0440\u0438\u0441\u043a\u0443\u0435\u043c \u043f\u0435\u0440\u0435\u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0445 \u0447\u0438\u0441\u043b\u0430\u0445 \u0438\u043b\u0438 \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442\u0430\u0445 \u2014 \u043b\u0438\u0448\u044c \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u043c \u0435\u0451 \u0443\u043c\u0435\u043d\u0438\u0435 \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438. <\/p>\n

\u0422\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c, \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0431\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u043c \u043f\u043e\u0441\u0442\u0430\u0432\u0449\u0438\u043a\u043e\u043c \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043f\u043e\u0441\u0442\u043e\u044f\u043d\u043d\u043e\u0433\u043e \u0441\u0430\u043c\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438 \u2014 \u0431\u0435\u0437 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u043b\u044e\u0434\u0435\u0439. <\/p>\n

\u041a\u0430\u043a \u044d\u0442\u043e \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442?<\/h2>\n
    \n
  1. \n

    \u041c\u043e\u0434\u0435\u043b\u044c \u0434\u0435\u043b\u0430\u0435\u0442 \u043f\u0435\u0440\u0432\u0443\u044e \u043f\u043e\u043f\u044b\u0442\u043a\u0443 \u0440\u0435\u0448\u0438\u0442\u044c \u0437\u0430\u0434\u0430\u0447\u0443.<\/p>\n<\/li>\n

  2. \n

    \u0415\u0441\u043b\u0438 \u043f\u0440\u043e\u0432\u0430\u043b \u2014 \u043e\u043d\u0430 \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u0442 \u043a\u043e\u0440\u043e\u0442\u043a\u0443\u044e \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e<\/strong>.<\/p>\n<\/li>\n

  3. \n

    \u0421\u043d\u043e\u0432\u0430 \u043f\u0440\u043e\u0431\u0443\u0435\u0442 \u2014 \u0441 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0435\u0439 \u0438 \u043f\u0435\u0440\u0432\u043e\u0439 \u043f\u043e\u043f\u044b\u0442\u043a\u043e\u0439 \u0432 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435.<\/p>\n<\/li>\n

  4. \n

    \u0415\u0441\u043b\u0438 \u0432\u0442\u043e\u0440\u0430\u044f \u043f\u043e\u043f\u044b\u0442\u043a\u0430 \u0443\u0441\u043f\u0435\u0448\u043d\u0430 \u2192 reward \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u043e\u043a\u0435\u043d\u044b \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438<\/strong>.<\/p>\n<\/li>\n<\/ol>\n

    \u041c\u043e\u0434\u0435\u043b\u044c \u0443\u0447\u0438\u0442\u0441\u044f \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043e\u0448\u0438\u0431\u043a\u0438<\/strong>, \u0430 \u043d\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0443\u0433\u0430\u0434\u044b\u0432\u0430\u0442\u044c \u043e\u0442\u0432\u0435\u0442. \u042d\u0442\u043e \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u0434\u043e\u043e\u0431\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u0434\u0430\u0436\u0435 \u0431\u0435\u0437 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u0438 \u043d\u0435 \u043b\u043e\u043c\u0430\u0442\u044c \u0437\u043d\u0430\u043d\u0438\u044f \u043d\u0430 \u0434\u0440\u0443\u0433\u0438\u0445 \u0437\u0430\u0434\u0430\u0447\u0430\u0445.<\/p>\n

    <\/figure>\n

    \u0424\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u043e, GRPO-advantage \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u044e\u0442 \u0442\u0430\u043a: <\/p>\n

    <\/figure>\n
    \n
    \n\n\n\n\n\n\n
    \n

    \u041e\u0431\u043e\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 <\/p>\n<\/td>\n

    		\n

    \u0421\u043c\u044b\u0441\u043b <\/p>\n<\/td>\n<\/tr>\n

    \n

    t <\/p>\n<\/td>\n

    		\n

    \u041f\u043e\u0437\u0438\u0446\u0438\u044f (\u0442\u043e\u043a\u0435\u043d) \u0432 \u0441\u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438. <\/p>\n<\/td>\n<\/tr>\n

    \n

    r_i <\/p>\n<\/td>\n

    		\n

    \u0411\u0438\u043d\u0430\u0440\u043d\u044b\u0439 reward \u0434\u043b\u044f \u0432\u0441\u0435\u0439\u00a0i-\u0439 \u043f\u043e\u043f\u044b\u0442\u043a\u0438 \u043e\u0442 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430 <\/p>\n<\/td>\n<\/tr>\n

    \n

    r_group <\/p>\n<\/td>\n

    		\n

    \u0421\u0440\u0435\u0434\u043d\u0438\u0439 reward \u0432\u043d\u0443\u0442\u0440\u0438 \u0442\u0435\u043a\u0443\u0449\u0435\u0433\u043e \u043c\u0438\u043d\u0438-\u0431\u0430\u0442\u0447\u0430 (\u0438\u043b\u0438 \u00ab\u0433\u0440\u0443\u043f\u043f\u044b\u00bb) \u0441\u044d\u043c\u043f\u043b\u043e\u0432. <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

    \u041f\u0440\u0438\u043c\u0435\u0440 \u0440\u0430\u0431\u043e\u0442\u044b \u043d\u0430 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u0435: <\/p>\n

    <\/figure>\n

    \u0414\u0430\u0442\u0430\u0441\u0435\u0442\u044b <\/h3>\n
    \n
    \n\n\n\n\n\n
    \n

    \u0414\u0430\u0442\u0430\u0441\u0435\u0442 <\/p>\n<\/td>\n

    		\n

    Train \/ Test <\/p>\n<\/td>\n

    		\n

    \u0427\u0435\u043a\u0435\u0440 <\/p>\n<\/td>\n

    		\n

    \u041f\u043e\u0441\u043b\u0435 \u0444\u0438\u043b\u044c\u0442\u0440\u0430 \u00abfail-only\u00bb <\/p>\n<\/td>\n<\/tr>\n

    \n

    APIGen <\/p>\n<\/td>\n

    		\n

    48 k \/ 12 k <\/p>\n<\/td>\n

    		\n

    JSON-\u044d\u043a\u0432\u0438\u0432\u0430\u043b\u0435\u043d\u0442 <\/p>\n<\/td>\n

    		\n

    25 382 \u043f\u0440\u0438\u043c\u0435\u0440\u0430 <\/p>\n<\/td>\n<\/tr>\n

    \n

    Countdown <\/p>\n<\/td>\n

    		\n

    435 k \/ 15 k <\/p>\n<\/td>\n

    		\n

    eval target \u2227 uses_all_nums <\/code><\/p>\n<\/td>\n

    		\n

    14 911 \u043f\u0440\u0438\u043c\u0451\u0440\u043e\u0432 <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

    \u0414\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u0430 \u0441\u044d\u043c\u043f\u043b\u0438\u0440\u043e\u0432\u0430\u043b\u0438 \u043e\u043a\u043e\u043b\u043e 64 \u043e\u0442\u0432\u0435\u0442\u043e\u0432, \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u043b\u0438 \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0448\u0438\u0431\u043e\u0447\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b \u043f\u0435\u0440\u0435\u0434 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u043c \u043f\u0440\u043e\u0433\u043e\u043d\u043e\u043c \u0434\u043b\u044f \u044d\u043a\u043e\u043d\u043e\u043c\u0438\u0438 \u0440\u0435\u0441\u0443\u0440\u0441\u043e\u0432. <\/p>\n

    \u042d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b <\/h3>\n

    \u041e\u0441\u043d\u043e\u0432\u043d\u043e\u0439 \u043c\u0435\u0442\u0440\u0438\u043a\u043e\u0439 \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u043c\u0435\u0436\u0434\u0443 \u00ab\u0441\u044b\u0440\u043e\u0439\u00bb \u043c\u043e\u0434\u0435\u043b\u044c\u044e (vanilla pass@2<\/strong>) \u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u0441 \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u043d\u043e\u0439 \u0442\u0435\u0445\u043d\u0438\u043a\u043e\u0439 (RL pass@2<\/strong>). <\/p>\n

    \n
    \n\n\n\n\n\n
    \n

    \u0414\u0430\u0442\u0430\u0441\u0435\u0442 <\/p>\n<\/td>\n

    		\n

    \u0412\u0430\u043b\u0438\u0434\u0430\u0442\u043e\u0440 <\/p>\n<\/td>\n

    		\n

    \u041c\u043e\u0434\u0435\u043b\u0438 (1.5\u20137 B) <\/p>\n<\/td>\n

    		\n

    pass@2 vs RLpass@2 <\/p>\n<\/td>\n<\/tr>\n

    \n

    APIGen\u00a060k <\/p>\n<\/td>\n

    		\n

    JSON-\u044d\u043a\u0432\u0438\u0432\u0430\u043b\u0435\u043d\u0442 <\/p>\n<\/td>\n

    		\n

    Qwen-2, Llama-3.1, Phi-3.5 <\/p>\n<\/td>\n

    		\n

    +9 \u043f.\u043f. \u0432 \u0441\u0440\u0435\u0434\u043d\u0435\u043c <\/p>\n<\/td>\n<\/tr>\n

    \n

    Countdown\u00a0450k <\/p>\n<\/td>\n

    		\n

    eval target & uses_all_nums <\/code> <\/p>\n<\/td>\n

    		\n

    Qwen-2.5, Llama 3.x, Palmyra <\/p>\n<\/td>\n

    		\n

    +16 \u043f.\u043f. \u0432 \u0441\u0440\u0435\u0434\u043d\u0435\u043c <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

    \u0414\u043b\u044f \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0441\u0440\u0435\u0434\u043d\u0438\u0439 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0432\u043f\u0435\u0447\u0430\u0442\u043b\u044f\u0435\u0442. \u041e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u0430\u044f (\u043d\u043e \u043d\u0435\u043b\u044c\u0437\u044f \u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u043d\u0435\u0434\u043e\u0440\u043e\u0433\u0430\u044f \u2014 8 x H100 \u0435\u0441\u0442\u044c \u043d\u0435 \u0443 \u0432\u0441\u0435\u0445<\/em>) \u0442\u0435\u0445\u043d\u0438\u043a\u0430 \u043e\u0447\u0435\u043d\u044c \u0441\u0438\u043b\u044c\u043d\u043e \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u0442 \u043f\u0440\u043e\u0446\u0435\u043d\u0442\u043d\u044b\u0435 \u043f\u0443\u043d\u043a\u0442\u044b.<\/p>\n

    \u041a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b <\/h3>\n

    \u0417\u0434\u0435\u0441\u044c \u044f \u043e\u0441\u0442\u0430\u0432\u0438\u043b \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043e\u043d\u0438 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0442 \u043d\u0430\u0438\u0431\u043e\u043b\u044c\u0448\u0438\u0439 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0438\u043d\u0442\u0435\u0440\u0435\u0441. \u0414\u043b\u044f \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043d\u0435\u0441\u043b\u043e\u0436\u043d\u043e \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u0443\u044e \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u044e \u043f\u043e\u0432\u044b\u0448\u0435\u043d\u0438\u044f \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 (\u043f\u043e \u043a\u0440\u0430\u0439\u043d\u0435\u0439 \u043c\u0435\u0440\u0435 \u043d\u0430 \u044d\u0442\u0438\u0445 \u0434\u0432\u0443\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445<\/em>), \u0430 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0432 \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u0438 \u0441 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u043c\u0438 \u043c\u043e\u0434\u0435\u043b\u044f\u043c\u0438 \u0441\u0438\u043b\u044c\u043d\u043e \u0434\u043e\u0440\u043e\u0436\u0435. <\/p>\n

    Function Calling (APIGen, 12k): <\/strong><\/p>\n

    \n
    \n\n\n\n\n\n\n
    \n

    \u041c\u043e\u0434\u0435\u043b\u044c <\/strong><\/p>\n<\/td>\n

    		\n

    P@1 van <\/strong><\/p>\n<\/td>\n

    		\n

    P@1 RRR <\/strong><\/p>\n<\/td>\n

    		\n

    \u0394 @1 <\/strong><\/p>\n<\/td>\n

    		\n

    P@2 van <\/strong><\/p>\n<\/td>\n

    		\n

    P@2 RRR <\/strong><\/p>\n<\/td>\n

    		\n

    \u0394 @2 <\/strong><\/p>\n<\/td>\n<\/tr>\n

    \n

    Qwen-2 1.5B <\/p>\n<\/td>\n

    		\n

    32.6 % <\/p>\n<\/td>\n

    		\n

    48.6 % <\/p>\n<\/td>\n

    		\n

    +16.0 <\/strong> <\/p>\n<\/td>\n

    		\n

    34.8 % <\/p>\n<\/td>\n

    		\n

    52.9 % <\/p>\n<\/td>\n

    		\n

    +18.1 <\/p>\n<\/td>\n<\/tr>\n

    \n

    Qwen-2 7B <\/p>\n<\/td>\n

    		\n

    66.4 % <\/p>\n<\/td>\n

    		\n

    72.2 % <\/p>\n<\/td>\n

    		\n

    +5.8 <\/strong> <\/p>\n<\/td>\n

    		\n

    69.4 % <\/p>\n<\/td>\n

    		\n

    77.3 % <\/p>\n<\/td>\n

    		\n

    +7.9 <\/p>\n<\/td>\n<\/tr>\n

    \n

    Llama-3.1 8B <\/p>\n<\/td>\n

    		\n

    64.9 % <\/p>\n<\/td>\n

    		\n

    68.7 % <\/p>\n<\/td>\n

    		\n

    +3.8<\/strong> <\/p>\n<\/td>\n

    		\n

    70.9 % <\/p>\n<\/td>\n

    		\n

    74.9 % <\/p>\n<\/td>\n

    		\n

    +4.0 <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

    Math Countdown (15 k) <\/strong><\/p>\n

    \n
    \n\n\n\n\n\n\n\n
    \n

    \u041c\u043e\u0434\u0435\u043b\u044c <\/strong><\/p>\n<\/td>\n

    		\n

    P@1 van <\/strong><\/p>\n<\/td>\n

    		\n

    P@1 RRR <\/strong><\/p>\n<\/td>\n

    		\n

    \u0394 @1 <\/strong><\/p>\n<\/td>\n

    		\n

    P@2 van <\/strong><\/p>\n<\/td>\n

    		\n

    P@2 RRR <\/strong><\/p>\n<\/td>\n

    		\n

    \u0394 @2<\/strong><\/p>\n<\/td>\n<\/tr>\n

    \n

    Qwen-2.5 1.5B <\/p>\n<\/td>\n

    		\n

    6.0 <\/p>\n<\/td>\n

    		\n

    34.9 <\/p>\n<\/td>\n

    		\n

    +28.9 <\/strong><\/p>\n<\/td>\n

    		\n

    10.2 <\/p>\n<\/td>\n

    		\n

    45.0 <\/p>\n<\/td>\n

    		\n

    +34.8 <\/strong><\/p>\n<\/td>\n<\/tr>\n

    \n

    Qwen-2.5 3B <\/p>\n<\/td>\n

    		\n

    18.8 <\/p>\n<\/td>\n

    		\n

    39.7 <\/p>\n<\/td>\n

    		\n

    +20.9 <\/strong><\/p>\n<\/td>\n

    		\n

    29.0 <\/p>\n<\/td>\n

    		\n

    47.3 <\/p>\n<\/td>\n

    		\n

    +18.3 <\/strong><\/p>\n<\/td>\n<\/tr>\n

    \n

    Qwen-2.5 7B <\/p>\n<\/td>\n

    		\n

    31.7 <\/p>\n<\/td>\n

    		\n

    43.4 <\/p>\n<\/td>\n

    		\n

    +11.7 <\/strong><\/p>\n<\/td>\n

    		\n

    38.0 <\/p>\n<\/td>\n

    		\n

    50.3 <\/p>\n<\/td>\n

    		\n

    +12.3 <\/strong><\/p>\n<\/td>\n<\/tr>\n

    \n

    Llama-3.1 8B <\/p>\n<\/td>\n

    		\n

    2.2 <\/p>\n<\/td>\n

    		\n

    4.6 <\/p>\n<\/td>\n

    		\n

    +2.3 <\/strong><\/p>\n<\/td>\n

    		\n

    8.8 <\/p>\n<\/td>\n

    		\n

    17.8 <\/p>\n<\/td>\n

    		\n

    +9.0 <\/strong><\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

    \u0412\u0438\u0434\u043d\u043e, \u0447\u0442\u043e \u043f\u043e\u0441\u043b\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0430\u0432\u0442\u043e\u0440\u0441\u043a\u043e\u0433\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u0440\u0430\u0441\u0442\u0435\u0442 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u0438 \u043f\u0435\u0440\u0432\u043e\u043c \u043f\u0440\u043e\u0445\u043e\u0434\u0435. \u042d\u0442\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u043e, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0432 \u043f\u0440\u043e\u0434-\u0440\u0435\u0448\u0435\u043d\u0438\u0438 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u043c\u0438\u043d\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0432\u044b\u0437\u043e\u0432\u043e\u0432 \u043c\u043e\u0434\u0435\u043b\u0438 \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u0444\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0440\u0435\u0448\u0435\u043d\u0438\u044f (\u043c\u0438\u043d\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u0440\u0430\u0441\u0445\u043e\u0434\u043e\u0432). <\/p>\n

    \u041a\u043b\u044e\u0447\u0435\u0432\u044b\u0435 \u043d\u0430\u0431\u043b\u044e\u0434\u0435\u043d\u0438\u044f \u0438 \u0430\u043d\u0430\u043b\u0438\u0437 \u043e\u0448\u0438\u0431\u043e\u043a <\/h3>\n

    Vanilla \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438 \u2014 \u0434\u043b\u0438\u043d\u043d\u044b\u0435, \u043c\u043d\u043e\u0433\u043e\u0441\u043b\u043e\u0432\u043d\u044b\u0435, \u0434\u0443\u0431\u043b\u0438\u0440\u0443\u044e\u0442 \u043f\u0440\u043e\u043c\u043f\u0442\u044b. \u041f\u043e\u0441\u043b\u0435 GRPO \u2014 \u0432 2\u20133 \u0440\u0430\u0437\u0430 \u043a\u043e\u0440\u043e\u0447\u0435, \u0431\u0435\u0437 \u043f\u043e\u0432\u0442\u043e\u0440\u043e\u0432, \u043f\u0440\u044f\u043c\u043e \u0443\u043a\u0430\u0437\u044b\u0432\u0430\u044e\u0442 \u043e\u0448\u0438\u0431\u043a\u0443.
    \u041b\u0443\u0447\u0448\u0430\u044f \u0435\u0434\u0438\u043d\u0438\u0447\u043d\u0430\u044f \u0434\u0435\u043b\u044c\u0442\u0430\u00a0\u2014\u00a0+34.8 <\/strong>\u043f.\u043f.\u00a0(10.2 % \u2192 45.0 %) \u0443 Qwen-2.5-1.5 B \u043d\u0430 Countdown.\u00a0
    Qwen-2-7B Instruct \u043f\u043e\u0441\u043b\u0435 Reflect, Retry, Reward \u043e\u043f\u0435\u0440\u0435\u0436\u0430\u0435\u0442 Qwen-2-72B Instruct (\u0432 10 \u0440\u0430\u0437 \u0431\u043e\u043b\u044c\u0448\u0435!<\/em>) \u0431\u0435\u0437 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0430 tool-calling (77.3 % vs 73.7).\u00a0 <\/p>\n

    \u041a\u0430\u0442\u0430\u0441\u0442\u0440\u043e\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f \u043d\u0435\u0442<\/strong>:\u00a0MMLU-Pro, GSM8K, HellaSwag, MATH \u043f\u0440\u043e\u0441\u0435\u043b\u0438 \u043d\u0435 \u0431\u043e\u043b\u0435\u0435 \u0447\u0435\u043c \u043d\u0430 1 \u043f.\u043f.<\/p>\n

    APIGen: \u0443 1.5 B-\u043c\u043e\u0434\u0435\u043b\u0438 \u043e\u0448\u0438\u0431\u043a\u0438\u00a0\u0432\u044b\u0431\u043e\u0440\u0430 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430<\/strong>\u00a0\u043f\u0430\u0434\u0430\u044e\u0442 \u0441 33.9% \u0434\u043e 21.3%. Countdown: \u0443 \u0442\u043e\u0439 \u0436\u0435 1.5 B-\u043c\u043e\u0434\u0435\u043b\u0438 \u0434\u043e\u043b\u044f \u00ab\u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u0447\u0438\u0441\u0435\u043b\u00bb \u0441\u043d\u0438\u0436\u0430\u0435\u0442\u0441\u044f \u0441 73.7% \u0434\u043e 34.3%. <\/p>\n

    Better Self-Reflections <\/h3>\n
    <\/figure>\n

    \u0420\u0430\u0437\u043c\u044b\u0448\u043b\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0431\u0435\u0437 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0434\u043b\u0438\u043d\u043d\u044b\u0435 \u0438 \u0438\u0437\u0431\u044b\u0442\u043e\u0447\u043d\u044b\u0435, \u0430 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u043d\u044b\u0435 \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u044e\u0442 \u0431\u043e\u043b\u0435\u0435 \u043a\u043e\u0440\u043e\u0442\u043a\u0438\u0435 \u0438 \u043e\u0431\u043e\u0431\u0449\u0430\u0435\u043c\u044b\u0435 \u0440\u0430\u0437\u043c\u044b\u0448\u043b\u0435\u043d\u0438\u044f. <\/p>\n

    \u0413\u0438\u043f\u0435\u0440\u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b <\/h3>\n
    \n
    \n\n\n\n\n\n\n\n\n\n
    \n

    \u041f\u0430\u0440\u0430\u043c\u0435\u0442\u0440 <\/p>\n<\/td>\n

    		\n

    \u0417\u043d\u0430\u0447\u0435\u043d\u0438\u0435 <\/p>\n<\/td>\n

    		\n

    \u041a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u0439 <\/p>\n<\/td>\n<\/tr>\n

    \n

    LR <\/p>\n<\/td>\n

    		\n

    5 \u00d7 10\u207b\u2077 <\/p>\n<\/td>\n

    		\n

    \u0432\u044b\u0448\u0435 \u2014 \u0432\u0437\u0440\u044b\u0432 KL, \u043d\u0438\u0436\u0435 \u2014 \u043d\u0435 \u0441\u0445\u043e\u0434\u0438\u0442\u0441\u044f <\/p>\n<\/td>\n<\/tr>\n

    \n

    KL \u043a\u043e\u044d\u0444\u0444. <\/p>\n<\/td>\n

    		\n

    1 \u00d7 10\u207b\u00b3 <\/p>\n<\/td>\n

    		\n

    \u0443\u0434\u0435\u0440\u0436\u0438\u0432\u0430\u0435\u0442 \u0434\u0438\u0432\u0435\u0440\u0433\u0435\u043d\u0446\u0438\u044e \u2248 0.3 nats <\/p>\n<\/td>\n<\/tr>\n

    \n

    Scheduler <\/p>\n<\/td>\n

    		\n

    cosine + 0.03 warm-up ration <\/p>\n<\/td>\n

    		\n

    \u043c\u044f\u0433\u043a\u0438\u0439 \u0441\u0442\u0430\u0440\u0442 <\/p>\n<\/td>\n<\/tr>\n

    \n

    Batch <\/p>\n<\/td>\n

    		\n

    256 \u043e\u0448\u0438\u0431\u043e\u0447\u043d\u044b\u0445 \u0441\u044d\u043c\u043f\u043b\u043e\u0432 <\/p>\n<\/td>\n

    		\n

    \u043e\u043f\u0442\u0438\u043c\u0443\u043c \u0434\u043b\u044f GRPO-rank \u043d\u0430 8 \u00d7 H100 <\/p>\n<\/td>\n<\/tr>\n

    \n

    \u0428\u0430\u0433\u0438 <\/p>\n<\/td>\n

    		\n

    1 750 <\/p>\n<\/td>\n

    		\n

    \u0440\u0435\u0430\u043b\u044c\u043d\u0430\u044f \u0441\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c (\u043f\u043e \u0443\u043a\u0430\u0437\u0430\u043d\u0438\u044e \u0430\u0432\u0442\u043e\u0440\u043e\u0432) \u0431\u044b\u0441\u0442\u0440\u0435\u0435 <\/p>\n<\/td>\n<\/tr>\n

    \n

    \u0420\u0435\u0441\u0443\u0440\u0441\u044b <\/p>\n<\/td>\n

    		\n

    4\u20138 \u00d7 H100 <\/p>\n<\/td>\n

    		\n

    —<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

    \u041f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u043d\u0435 \u0432\u044b\u0437\u044b\u0432\u0430\u044e\u0442 \u043e\u0441\u043e\u0431\u044b\u0445 \u0432\u043e\u043f\u0440\u043e\u0441\u043e\u0432, \u043c\u043e\u0436\u043d\u043e \u043e\u0431\u0440\u0430\u0442\u0438\u0442\u044c \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435 \u043d\u0430 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u041c\u043e\u0436\u0435\u0442 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u044c\u0441\u044f, \u0447\u0442\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440 4-8 x H100 \u043d\u0435 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0431\u044e\u0434\u0436\u0435\u0442\u043d\u044b\u043c, \u043d\u043e \u0442\u0443\u0442 \u0432\u0430\u0436\u043d\u043e \u043e\u0442\u043c\u0435\u0442\u0438\u0442\u044c, \u0447\u0442\u043e \u044d\u0442\u0438 \u0440\u0435\u0441\u0443\u0440\u0441\u044b \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u044b \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430 \u044d\u0442\u0430\u043f\u0435 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0414\u043b\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0430\u0432\u0442\u043e\u0440\u044b \u0434\u0435\u043b\u0430\u044e\u0442 \u0430\u043a\u0446\u0435\u043d\u0442 \u0432 \u0441\u0432\u043e\u0435\u0439 \u0440\u0430\u0431\u043e\u0442\u0435, \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0433\u043e\u0440\u0430\u0437\u0434\u043e \u043c\u0435\u043d\u044c\u0448\u0435 \u0440\u0435\u0441\u0443\u0440\u0441\u043e\u0432 (\u0432 \u043f\u0435\u0440\u0435\u0441\u0447\u0435\u0442\u0435 \u043d\u0430 \u043e\u0434\u0438\u043d \u0438\u043d\u0441\u0442\u0430\u043d\u0441 \u043c\u043e\u0434\u0435\u043b\u0438). <\/p>\n

    \u041e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f <\/h3>\n

    \u041c\u0435\u0442\u043e\u0434 \u0442\u0440\u0435\u0431\u0443\u0435\u0442\u00a0\u0431\u0438\u043d\u0430\u0440\u043d\u043e\u0433\u043e \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430. \u0414\u043b\u044f \u0431\u043e\u043b\u0435\u0435 \u0441\u043b\u043e\u0436\u043d\u044b\u0445 \u0437\u0430\u0434\u0430\u0447 \u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u044c\u0441\u044f judge-LLM, \u0447\u0442\u043e \u043c\u043e\u0436\u0435\u0442 \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u0442\u044c \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u0440\u0435\u0441\u0443\u0440\u0441\u043e\u0432. \u0418 \u0442\u0430\u043a \u043a\u0430\u043a judge-LLM \u0434\u043e\u043b\u0436\u043d\u0430 \u0431\u044b\u0442\u044c \u0441\u0438\u043b\u044c\u043d\u0435\u0435, \u0447\u0435\u043c \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u043c\u043e\u0434\u0435\u043b\u044c, \u0442\u043e \u0442\u0443\u0442 \u043f\u043e\u0434\u0445\u043e\u0434 \u0443\u0436\u0435 \u0432\u044b\u0445\u043e\u0434\u0438\u0442 \u0437\u0430 \u0440\u0430\u043c\u043a\u0438 \u0431\u044e\u0434\u0436\u0435\u0442\u043d\u043e\u0433\u043e. \u0412\u043e \u0432\u0440\u0435\u043c\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430 \u043f\u0440\u0438\u0434\u0435\u0442\u0441\u044f \u043b\u0438\u0431\u043e \u0440\u0430\u0437\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0442\u044c \u0432\u0442\u043e\u0440\u0443\u044e (\u0431\u043e\u043b\u0435\u0435 \u0442\u044f\u0436\u0435\u043b\u0443\u044e) \u043c\u043e\u0434\u0435\u043b\u044c, \u043b\u0438\u0431\u043e \u0442\u0440\u0430\u0442\u0438\u0442\u044c \u0434\u0435\u043d\u044c\u0433\u0438 (\u0438 \u0436\u0435\u0440\u0442\u0432\u043e\u0432\u0430\u0442\u044c \u043f\u0440\u0438\u0432\u0430\u0442\u043d\u043e\u0441\u0442\u044c\u044e) \u043d\u0430 API. <\/p>\n

    \u041f\u0440\u0438 \u044d\u0442\u043e\u043c GRPO-\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043a\u0440\u0443\u043f\u043d\u044b\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 (> 8B) \u043e\u0441\u043b\u043e\u0436\u043d\u044f\u0435\u0442\u0441\u044f \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u044c\u044e.<\/p>\n

    \u0412\u044b\u0432\u043e\u0434 <\/h2>\n

    \u041e\u0431\u0443\u0447\u0430\u044f \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u043b\u0443\u0447\u0448\u0430\u0442\u044c\u00a0\u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e<\/strong>, \u0430 \u043d\u0435 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442. \u0410\u0432\u0442\u043e\u0440\u044b \u0434\u043e\u0441\u0442\u0438\u0433\u0430\u044e\u0442 \u0437\u043d\u0430\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0433\u043e \u043f\u0440\u0438\u0440\u043e\u0441\u0442\u0430 \u043d\u0430 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 APIGen \u0438 Countdown \u0431\u0435\u0437 \u043a\u0430\u0442\u0430\u0441\u0442\u0440\u043e\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f \u0438 \u0434\u0435\u043c\u043e\u043d\u0441\u0442\u0440\u0438\u0440\u0443\u044e\u0442, \u0447\u0442\u043e\u00a0\u043c\u0435\u043d\u044c\u0448\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 (1.5\u20137 B) \u043f\u043e\u0441\u043b\u0435 RRR \u043e\u0431\u0433\u043e\u043d\u044f\u044e\u0442 10\u00d7 \u0431\u043e\u043b\u0435\u0435 \u043a\u0440\u0443\u043f\u043d\u044b\u0435 \u00ab\u0441\u044b\u0440\u044b\u0435\u00bb \u043c\u043e\u0434\u0435\u043b\u0438. \u041c\u0435\u0442\u043e\u0434 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043b\u0438\u0448\u044c \u0431\u0438\u043d\u0430\u0440\u043d\u043e\u0433\u043e \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430, \u0447\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442 \u0435\u0433\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c\u044b\u043c \u0442\u0430\u043c, \u0433\u0434\u0435 \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043e\u0442\u0432\u0435\u0442\u0430 \u043f\u0440\u043e\u0441\u0442\u0430. <\/p>\n

    \u041f\u043e\u0434\u0445\u043e\u0434 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u044b\u0439, \u0445\u043e\u0442\u044f \u0438 \u043a\u0430\u0436\u0435\u0442\u0441\u044f \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u044b\u043c. \u041b\u0438\u0447\u043d\u043e \u043c\u043d\u0435 \u0445\u043e\u0442\u0435\u043b\u043e\u0441\u044c \u0431\u044b \u0435\u0449\u0435 \u0443\u0432\u0438\u0434\u0435\u0442\u044c \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u0441 \u043e\u0431\u044b\u0447\u043d\u044b\u043c GRPO \u0431\u0435\u0437 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438. \u0425\u043e\u0447\u0435\u0442\u0441\u044f \u0442\u043e\u0447\u043d\u043e \u0443\u0432\u0438\u0434\u0435\u0442\u044c, \u0447\u0442\u043e \u043c\u044b \u043d\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043c \u0442\u0430\u043a\u043e\u0439 \u0436\u0435 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u0431\u0435\u0437 \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438 \u043e\u0442 \u043c\u043e\u0434\u0435\u043b\u0438. <\/p>\n

    \u0415\u0449\u0435 \u0444\u0438\u043a\u0441\u0430\u0446\u0438\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430 \u0434\u0432\u0443\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445 (\u0434\u0432\u0443\u0445 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u0443\u0437\u043a\u0438\u0445 \u0442\u0438\u043f\u0430\u0445 \u0437\u0430\u0434\u0430\u0447) \u043a\u0430\u0436\u0435\u0442\u0441\u044f \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e\u0439. \u041c\u043e\u0436\u043d\u043e \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a \u0432 \u043d\u0435\u0434\u0430\u0432\u043d\u0435\u0439 Absolute Zero: Reinforced Self-play Reasoning with Zero Data \u0431\u043e\u043b\u0435\u0435 \u0441\u0438\u043b\u044c\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u044c\u044e \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0437\u0430\u0434\u0430\u0447\u0438 \u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u044d\u0442\u0443 \u0441\u0438\u043d\u0442\u0435\u0442\u0438\u043a\u0443 \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u043c \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u043e\u043c. \u0412 \u043f\u0440\u043e\u0434-\u0440\u0435\u0448\u0435\u043d\u0438\u0438 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u0438\u043d\u0442\u0435\u0442\u0438\u043a\u0443 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u043b\u043e\u0433\u043e\u0432, \u043f\u043e\u043b\u0443\u0447\u0430\u044f \u0434\u043e\u0441\u0442\u0443\u043f \u043a \u0431\u043e\u043b\u0435\u0435 \u0441\u0438\u043b\u044c\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u043f\u043e API, \u043b\u0438\u0431\u043e (\u0434\u043b\u044f \u043f\u0440\u0438\u0432\u0430\u0442\u043d\u043e\u0441\u0442\u0438) \u043f\u043e\u0434\u043d\u0438\u043c\u0430\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u0442\u044f\u0436\u0435\u043b\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u0442\u0435\u0445 \u0436\u0435 4-8 x H100.<\/p>\n

    \u0421\u043f\u0430\u0441\u0438\u0431\u043e, \u0447\u0442\u043e \u0434\u043e\u0447\u0438\u0442\u0430\u043b\u0438! \u041f\u0438\u0448\u0438\u0442\u0435 \u0441\u0432\u043e\u0438 \u043c\u044b\u0441\u043b\u0438 \u0432 \u043a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u0438 \u2193<\/strong> <\/p>\n\n

    \u0410\u0432\u0442\u043e\u0440 \u0441\u0442\u0430\u0442\u044c\u0438: \u041f\u043e\u0442\u0435\u043c\u0438\u043d \u0420\u043e\u043c\u0430\u043d, \u043c\u0430\u0433\u0438\u0441\u0442\u0440\u0430\u043d\u0442 AI Talent Hub. <\/strong><\/p>\n<\/div>\n<\/div>\n<\/div>\n

    <\/div>\n


    \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 https:\/\/habr.com\/ru\/articles\/935368\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    <\/div>\n
    \n
    \n
    \n
    \n

    \u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440!
    \u041c\u0435\u043d\u044f \u0437\u043e\u0432\u0443\u0442 \u0420\u043e\u043c\u0430\u043d, \u044f NLP-\u0438\u043d\u0436\u0435\u043d\u0435\u0440 \u0432 \u0421\u0431\u0435\u0440\u0435. \u0417\u0430\u043d\u0438\u043c\u0430\u044e\u0441\u044c \u043c\u0443\u043b\u044c\u0442\u0438\u0430\u0433\u0435\u043d\u0442\u043d\u044b\u043c\u0438 \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u043c\u0438 \u0438 \u0440\u0430\u0431\u043e\u0442\u0430\u044e \u0441 LLM \u0432 \u043f\u0440\u043e\u0434\u0435. \u0421\u0435\u0433\u043e\u0434\u043d\u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0436\u0443 \u043f\u0440\u043e \u043e\u0434\u043d\u0443 \u0438\u0437 \u0441\u0430\u043c\u044b\u0445 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u044b\u0445 \u0441\u0442\u0430\u0442\u0435\u0439 \u0438\u044e\u043d\u044f \u043f\u043e \u0432\u0435\u0440\u0441\u0438\u0438 Huggingface Daily Papers \u2014     Reflect, Retry, Reward: Self-Improving LLMs via Reinforcement Learning<\/strong><\/a>.<\/p>\n

    TL;DR<\/h2>\n

    \u0410\u0432\u0442\u043e\u0440\u044b \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u044e\u0442 \u043f\u0440\u043e\u0441\u0442\u043e\u0439, \u043d\u043e \u043c\u043e\u0449\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434: \u0435\u0441\u043b\u0438 \u043f\u0435\u0440\u0432\u0430\u044f \u043f\u043e\u043f\u044b\u0442\u043a\u0430 \u043c\u043e\u0434\u0435\u043b\u0438 \u043f\u0440\u043e\u0432\u0430\u043b\u0438\u043b\u0430\u0441\u044c, \u043e\u043d\u0430 \u0434\u043e\u043b\u0436\u043d\u0430 \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c \u043a\u0440\u0430\u0442\u043a\u0443\u044e \u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e<\/strong>, \u0430 \u0437\u0430\u0442\u0435\u043c \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043f\u043e\u0432\u0442\u043e\u0440\u043d\u0443\u044e \u043f\u043e\u043f\u044b\u0442\u043a\u0443. \u0415\u0441\u043b\u0438 \u043e\u043d\u0430 \u0443\u0441\u043f\u0435\u0448\u043d\u0430 \u2014 \u043d\u0430\u0433\u0440\u0430\u0434\u0443 \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u043e\u043a\u0435\u043d\u044b \u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438<\/strong>.<\/p>\n

    \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u043c\u043e\u0434\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 GRPO (Group Relative PPO), \u0433\u0434\u0435 \u0432\u0441\u0435 \u0442\u043e\u043a\u0435\u043d\u044b, \u043a\u0440\u043e\u043c\u0435 self-reflection, \u043c\u0430\u0441\u043a\u0438\u0440\u0443\u044e\u0442\u0441\u044f. \u041e\u0446\u0435\u043d\u043a\u0430 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u2014 \u0447\u0435\u0440\u0435\u0437 \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440<\/strong>, \u043a\u043e\u0442\u043e\u0440\u043e\u043c\u0443 \u043d\u0435 \u043d\u0443\u0436\u0435\u043d ground truth.<\/p>\n

    \u0418\u0442\u043e\u0433: \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 18.1 \u043f.\u043f. \u043d\u0430 tool-calling \u0437\u0430\u0434\u0430\u0447\u0430\u0445 (APIGen) \u0438 34.7 \u043f.\u043f. \u043d\u0430 \u0430\u0440\u0438\u0444\u043c\u0435\u0442\u0438\u043a\u0435 (Countdown). \u0414\u043b\u044f 1.5\u20137 B \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0442\u0435\u0445\u043d\u0438\u043a\u0430 \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0432\u043f\u0435\u0447\u0430\u0442\u043b\u044f\u044e\u0449\u0435: \u043e\u043d\u0438 \u043f\u0440\u0435\u0432\u043e\u0441\u0445\u043e\u0434\u044f\u0442 \u043f\u043e \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0443 >70B \u043c\u043e\u0434\u0435\u043b\u0438. \u0411\u0435\u0437 \u043a\u0430\u0442\u0430\u0441\u0442\u0440\u043e\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f \u0438 \u0441 \u0437\u0430\u0442\u0440\u0430\u0442\u043e\u0439 \u2248 2 \u0442\u044b\u0441\u044f\u0447\u0438 RL-\u0448\u0430\u0433\u043e\u0432 \u043d\u0430 4\u20138 \u00d7 H100.<\/p>\n

    \n
    \n\n\n\n\n
    \n

    \u0427\u0442\u043e \u0441\u0434\u0435\u043b\u0430\u043b\u0438 <\/p>\n<\/td>\n

    		\n

    \u0427\u0442\u043e \u044d\u0442\u043e \u0434\u0430\u043b\u043e <\/p>\n<\/td>\n

    		\n

    \u0421\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u043e\u0438\u043b\u043e <\/p>\n<\/td>\n<\/tr>\n

    \n

    \u041c\u0430\u0441\u043a\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 GRPO \u2192 reward\u00a0\u0442\u043e\u043b\u044c\u043a\u043e\u00a0\u0442\u043e\u043a\u0435\u043d\u0430\u043c self reflection <\/p>\n<\/td>\n

    		\n

    APIGen +18 p.p. (Qwen-2 1.5 B), Countdown +34 p.p. (Qwen-2.5-1.5 B) <\/p>\n<\/td>\n

    		\n

    1 750 \u0448\u0430\u0433\u043e\u0432, 256 \u0444\u0435\u0439\u043b\u043e\u0432\/\u0431\u0430\u0442\u0447, 4\u20138 \u00d7 H100 <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

    \u041f\u0440\u0438 \u0432\u0441\u0435\u0439 \u043f\u0440\u043e\u0441\u0442\u043e\u0442\u0435 \u043c\u0435\u0442\u043e\u0434 \u0437\u0430\u043a\u0440\u044b\u0432\u0430\u0435\u0442 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443 \u043f\u0440\u0438 \u0440\u0430\u0431\u043e\u0442\u0435 \u0441 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u043c\u0438 \u043c\u043e\u0434\u0435\u043b\u044f\u043c\u0438, \u0441\u0442\u0440\u043e\u0433\u0438\u043c \u0444\u043e\u0440\u043c\u0430\u0442\u043e\u043c \u0438 \u043e\u0442\u0441\u0443\u0442\u0441\u0442\u0432\u0438\u0435\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430 \u0441 \u043f\u043e\u043b\u043d\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u043e\u0439. <\/p>\n

    \u0417\u0430\u0447\u0435\u043c \u0432\u0441\u0451 \u044d\u0442\u043e \u043d\u0443\u0436\u043d\u043e?<\/h2>\n

    \u0412 \u0442\u0430\u043a\u0438\u0445 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 \u043a\u0430\u043a Tool \/ API-calling \u0432 \u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u043c \u0444\u043e\u0440\u043c\u0430\u0442\u0435, \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044f \u043a\u043e\u0434\u0430 \u0438 \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u0445 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043e\u0434\u043d\u043e\u0433\u043e \u0441\u0438\u043c\u0432\u043e\u043b\u0430 \u0432 \u043e\u0442\u0432\u0435\u0442\u0435 \u043c\u043e\u0436\u0435\u0442 \u043f\u0440\u0438\u0432\u0435\u0441\u0442\u0438 \u043a \u043d\u0435\u0432\u0435\u0440\u043d\u043e\u043c\u0443 \u0440\u0435\u0448\u0435\u043d\u0438\u044e. \u0418 \u0438\u043c\u0435\u043d\u043d\u043e \u0437\u0434\u0435\u0441\u044c \u043f\u0440\u043e\u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u00ab\u0443\u0437\u043a\u0438\u0445 \u043c\u0435\u0441\u0442\u00bb, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u044b\u0442\u0430\u044e\u0442\u0441\u044f \u0443\u0441\u0442\u0440\u0430\u043d\u0438\u0442\u044c. <\/p>\n

    \u0412 \u0440\u0435\u0430\u043b\u044c\u043d\u043e\u043c \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 \u0434\u043b\u044f \u0442\u0430\u043a\u0438\u0445 \u0437\u0430\u0434\u0430\u0447 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0432\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0441\u0442\u0438 json). \u0417\u0430\u0434\u0430\u0447\u0430 \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u043e\u0442\u0432\u0435\u0442\u0443 \u043c\u0435\u0442\u043a\u0443 \u00ab\u0432\u0435\u0440\u043d\u043e\/\u043d\u0435\u0432\u0435\u0440\u043d\u043e\u00bb, \u043f\u0440\u0438 \u044d\u0442\u043e\u043c \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442 \u0437\u043d\u0430\u0442\u044c \u043d\u0435\u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e. <\/p>\n

    \u041e\u0441\u043d\u043e\u0432\u043d\u0430\u044f \u0438\u0434\u0435\u044f \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u2014 \u043e\u0442\u0434\u0430\u0442\u044c \u043d\u0430\u0433\u0440\u0430\u0434\u0443 \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u0430\u043c, \u0433\u0434\u0435 \u043e\u043d\u0430 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0432\u043b\u0438\u044f\u0435\u0442 \u043d\u0430 \u043e\u0442\u0432\u0435\u0442. \u041c\u043e\u0434\u0435\u043b\u044c \u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u0443\u0435\u0442 \u043a\u0440\u0430\u0442\u043a\u0443\u044e\u00a0\u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e\u00a0<\/em>\u043f\u043e\u0441\u043b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438. \u0411\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442, \u043f\u0440\u0438\u0432\u0435\u043b\u0430 \u043b\u0438 \u044d\u0442\u0430 \u043c\u044b\u0441\u043b\u044c \u043a\u043e \u0432\u0442\u043e\u0440\u043e\u043c\u0443 \u0443\u0441\u043f\u0435\u0448\u043d\u043e\u043c\u0443 \u0440\u0435\u0448\u0435\u043d\u0438\u044e. \u0415\u0441\u043b\u0438 \u0434\u0430 \u2014 \u043f\u043e\u043b\u043e\u0436\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0439 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u00a0\u0442\u043e\u043b\u044c\u043a\u043e \u0442\u0435\u043a\u0441\u0442 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438<\/strong>. \u0422\u0430\u043a \u043c\u044b \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u0435\u043c \u043a\u0430\u0436\u0434\u0443\u044e \u043f\u0440\u043e\u0434-\u043e\u0448\u0438\u0431\u043a\u0443 \u0432 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0438\u0439 \u043f\u0440\u0438\u043c\u0435\u0440 \u0431\u0435\u0437 \u0440\u0443\u0447\u043d\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438. \u041d\u0435 \u0440\u0438\u0441\u043a\u0443\u0435\u043c \u043f\u0435\u0440\u0435\u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0445 \u0447\u0438\u0441\u043b\u0430\u0445 \u0438\u043b\u0438 \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442\u0430\u0445 \u2014 \u043b\u0438\u0448\u044c \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u043c \u0435\u0451 \u0443\u043c\u0435\u043d\u0438\u0435 \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438. <\/p>\n

    \u0422\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c, \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u0439 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0431\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u043c \u043f\u043e\u0441\u0442\u0430\u0432\u0449\u0438\u043a\u043e\u043c \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043f\u043e\u0441\u0442\u043e\u044f\u043d\u043d\u043e\u0433\u043e \u0441\u0430\u043c\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438 \u2014 \u0431\u0435\u0437 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u043b\u044e\u0434\u0435\u0439. <\/p>\n

    \u041a\u0430\u043a \u044d\u0442\u043e \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442?<\/h2>\n
      \n
    1. \n

      \u041c\u043e\u0434\u0435\u043b\u044c \u0434\u0435\u043b\u0430\u0435\u0442 \u043f\u0435\u0440\u0432\u0443\u044e \u043f\u043e\u043f\u044b\u0442\u043a\u0443 \u0440\u0435\u0448\u0438\u0442\u044c \u0437\u0430\u0434\u0430\u0447\u0443.<\/p>\n<\/li>\n

    2. \n

      \u0415\u0441\u043b\u0438 \u043f\u0440\u043e\u0432\u0430\u043b \u2014 \u043e\u043d\u0430 \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u0442 \u043a\u043e\u0440\u043e\u0442\u043a\u0443\u044e \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e<\/strong>.<\/p>\n<\/li>\n

    3. \n

      \u0421\u043d\u043e\u0432\u0430 \u043f\u0440\u043e\u0431\u0443\u0435\u0442 \u2014 \u0441 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0435\u0439 \u0438 \u043f\u0435\u0440\u0432\u043e\u0439 \u043f\u043e\u043f\u044b\u0442\u043a\u043e\u0439 \u0432 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435.<\/p>\n<\/li>\n

    4. \n

      \u0415\u0441\u043b\u0438 \u0432\u0442\u043e\u0440\u0430\u044f \u043f\u043e\u043f\u044b\u0442\u043a\u0430 \u0443\u0441\u043f\u0435\u0448\u043d\u0430 \u2192 reward \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u043e\u043a\u0435\u043d\u044b \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438<\/strong>.<\/p>\n<\/li>\n<\/ol>\n

      \u041c\u043e\u0434\u0435\u043b\u044c \u0443\u0447\u0438\u0442\u0441\u044f \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043e\u0448\u0438\u0431\u043a\u0438<\/strong>, \u0430 \u043d\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0443\u0433\u0430\u0434\u044b\u0432\u0430\u0442\u044c \u043e\u0442\u0432\u0435\u0442. \u042d\u0442\u043e \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u0434\u043e\u043e\u0431\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u0434\u0430\u0436\u0435 \u0431\u0435\u0437 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0438 \u0438 \u043d\u0435 \u043b\u043e\u043c\u0430\u0442\u044c \u0437\u043d\u0430\u043d\u0438\u044f \u043d\u0430 \u0434\u0440\u0443\u0433\u0438\u0445 \u0437\u0430\u0434\u0430\u0447\u0430\u0445.<\/p>\n

      <\/figure>\n

      \u0424\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u043e, GRPO-advantage \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u044e\u0442 \u0442\u0430\u043a: <\/p>\n

      <\/figure>\n
      \n
      \n\n\n\n\n\n\n
      \n

      \u041e\u0431\u043e\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 <\/p>\n<\/td>\n

      		\n

      \u0421\u043c\u044b\u0441\u043b <\/p>\n<\/td>\n<\/tr>\n

      \n

      t <\/p>\n<\/td>\n

      		\n

      \u041f\u043e\u0437\u0438\u0446\u0438\u044f (\u0442\u043e\u043a\u0435\u043d) \u0432 \u0441\u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438. <\/p>\n<\/td>\n<\/tr>\n

      \n

      r_i <\/p>\n<\/td>\n

      		\n

      \u0411\u0438\u043d\u0430\u0440\u043d\u044b\u0439 reward \u0434\u043b\u044f \u0432\u0441\u0435\u0439\u00a0i-\u0439 \u043f\u043e\u043f\u044b\u0442\u043a\u0438 \u043e\u0442 \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430 <\/p>\n<\/td>\n<\/tr>\n

      \n

      r_group <\/p>\n<\/td>\n

      		\n

      \u0421\u0440\u0435\u0434\u043d\u0438\u0439 reward \u0432\u043d\u0443\u0442\u0440\u0438 \u0442\u0435\u043a\u0443\u0449\u0435\u0433\u043e \u043c\u0438\u043d\u0438-\u0431\u0430\u0442\u0447\u0430 (\u0438\u043b\u0438 \u00ab\u0433\u0440\u0443\u043f\u043f\u044b\u00bb) \u0441\u044d\u043c\u043f\u043b\u043e\u0432. <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

      \u041f\u0440\u0438\u043c\u0435\u0440 \u0440\u0430\u0431\u043e\u0442\u044b \u043d\u0430 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u043f\u0440\u0438\u043c\u0435\u0440\u0435: <\/p>\n

      <\/figure>\n

      \u0414\u0430\u0442\u0430\u0441\u0435\u0442\u044b <\/h3>\n
      \n
      \n\n\n\n\n\n
      \n

      \u0414\u0430\u0442\u0430\u0441\u0435\u0442 <\/p>\n<\/td>\n

      		\n

      Train \/ Test <\/p>\n<\/td>\n

      		\n

      \u0427\u0435\u043a\u0435\u0440 <\/p>\n<\/td>\n

      		\n

      \u041f\u043e\u0441\u043b\u0435 \u0444\u0438\u043b\u044c\u0442\u0440\u0430 \u00abfail-only\u00bb <\/p>\n<\/td>\n<\/tr>\n

      \n

      APIGen <\/p>\n<\/td>\n

      		\n

      48 k \/ 12 k <\/p>\n<\/td>\n

      		\n

      JSON-\u044d\u043a\u0432\u0438\u0432\u0430\u043b\u0435\u043d\u0442 <\/p>\n<\/td>\n

      		\n

      25 382 \u043f\u0440\u0438\u043c\u0435\u0440\u0430 <\/p>\n<\/td>\n<\/tr>\n

      \n

      Countdown <\/p>\n<\/td>\n

      		\n

      435 k \/ 15 k <\/p>\n<\/td>\n

      		\n

      eval target \u2227 uses_all_nums <\/code><\/p>\n<\/td>\n

      		\n

      14 911 \u043f\u0440\u0438\u043c\u0451\u0440\u043e\u0432 <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

      \u0414\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u0430 \u0441\u044d\u043c\u043f\u043b\u0438\u0440\u043e\u0432\u0430\u043b\u0438 \u043e\u043a\u043e\u043b\u043e 64 \u043e\u0442\u0432\u0435\u0442\u043e\u0432, \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u043b\u0438 \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0448\u0438\u0431\u043e\u0447\u043d\u044b\u0435 \u043e\u0442\u0432\u0435\u0442\u044b \u043f\u0435\u0440\u0435\u0434 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u043c \u043f\u0440\u043e\u0433\u043e\u043d\u043e\u043c \u0434\u043b\u044f \u044d\u043a\u043e\u043d\u043e\u043c\u0438\u0438 \u0440\u0435\u0441\u0443\u0440\u0441\u043e\u0432. <\/p>\n

      \u042d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b <\/h3>\n

      \u041e\u0441\u043d\u043e\u0432\u043d\u043e\u0439 \u043c\u0435\u0442\u0440\u0438\u043a\u043e\u0439 \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u043c\u0435\u0436\u0434\u0443 \u00ab\u0441\u044b\u0440\u043e\u0439\u00bb \u043c\u043e\u0434\u0435\u043b\u044c\u044e (vanilla pass@2<\/strong>) \u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u0441 \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u043d\u043e\u0439 \u0442\u0435\u0445\u043d\u0438\u043a\u043e\u0439 (RL pass@2<\/strong>). <\/p>\n

      \n
      \n\n\n\n\n\n
      \n

      \u0414\u0430\u0442\u0430\u0441\u0435\u0442 <\/p>\n<\/td>\n

      		\n

      \u0412\u0430\u043b\u0438\u0434\u0430\u0442\u043e\u0440 <\/p>\n<\/td>\n

      		\n

      \u041c\u043e\u0434\u0435\u043b\u0438 (1.5\u20137 B) <\/p>\n<\/td>\n

      		\n

      pass@2 vs RLpass@2 <\/p>\n<\/td>\n<\/tr>\n

      \n

      APIGen\u00a060k <\/p>\n<\/td>\n

      		\n

      JSON-\u044d\u043a\u0432\u0438\u0432\u0430\u043b\u0435\u043d\u0442 <\/p>\n<\/td>\n

      		\n

      Qwen-2, Llama-3.1, Phi-3.5 <\/p>\n<\/td>\n

      		\n

      +9 \u043f.\u043f. \u0432 \u0441\u0440\u0435\u0434\u043d\u0435\u043c <\/p>\n<\/td>\n<\/tr>\n

      \n

      Countdown\u00a0450k <\/p>\n<\/td>\n

      		\n

      eval target & uses_all_nums <\/code> <\/p>\n<\/td>\n

      		\n

      Qwen-2.5, Llama 3.x, Palmyra <\/p>\n<\/td>\n

      		\n

      +16 \u043f.\u043f. \u0432 \u0441\u0440\u0435\u0434\u043d\u0435\u043c <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

      \u0414\u043b\u044f \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0441\u0440\u0435\u0434\u043d\u0438\u0439 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0432\u043f\u0435\u0447\u0430\u0442\u043b\u044f\u0435\u0442. \u041e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u0430\u044f (\u043d\u043e \u043d\u0435\u043b\u044c\u0437\u044f \u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u043d\u0435\u0434\u043e\u0440\u043e\u0433\u0430\u044f \u2014 8 x H100 \u0435\u0441\u0442\u044c \u043d\u0435 \u0443 \u0432\u0441\u0435\u0445<\/em>) \u0442\u0435\u0445\u043d\u0438\u043a\u0430 \u043e\u0447\u0435\u043d\u044c \u0441\u0438\u043b\u044c\u043d\u043e \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u0442 \u043f\u0440\u043e\u0446\u0435\u043d\u0442\u043d\u044b\u0435 \u043f\u0443\u043d\u043a\u0442\u044b.<\/p>\n

      \u041a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b <\/h3>\n

      \u0417\u0434\u0435\u0441\u044c \u044f \u043e\u0441\u0442\u0430\u0432\u0438\u043b \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u043e\u043d\u0438 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0442 \u043d\u0430\u0438\u0431\u043e\u043b\u044c\u0448\u0438\u0439 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0438\u043d\u0442\u0435\u0440\u0435\u0441. \u0414\u043b\u044f \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043d\u0435\u0441\u043b\u043e\u0436\u043d\u043e \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u0443\u044e \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u044e \u043f\u043e\u0432\u044b\u0448\u0435\u043d\u0438\u044f \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 (\u043f\u043e \u043a\u0440\u0430\u0439\u043d\u0435\u0439 \u043c\u0435\u0440\u0435 \u043d\u0430 \u044d\u0442\u0438\u0445 \u0434\u0432\u0443\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445<\/em>), \u0430 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0432 \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u0438 \u0441 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u043c\u0438 \u043c\u043e\u0434\u0435\u043b\u044f\u043c\u0438 \u0441\u0438\u043b\u044c\u043d\u043e \u0434\u043e\u0440\u043e\u0436\u0435. <\/p>\n

      Function Calling (APIGen, 12k): <\/strong><\/p>\n

      \n
      \n\n\n\n\n\n\n
      \n

      \u041c\u043e\u0434\u0435\u043b\u044c <\/strong><\/p>\n<\/td>\n

      		\n

      P@1 van <\/strong><\/p>\n<\/td>\n

      		\n

      P@1 RRR <\/strong><\/p>\n<\/td>\n

      		\n

      \u0394 @1 <\/strong><\/p>\n<\/td>\n

      		\n

      P@2 van <\/strong><\/p>\n<\/td>\n

      		\n

      P@2 RRR <\/strong><\/p>\n<\/td>\n

      		\n

      \u0394 @2 <\/strong><\/p>\n<\/td>\n<\/tr>\n

      \n

      Qwen-2 1.5B <\/p>\n<\/td>\n

      		\n

      32.6 % <\/p>\n<\/td>\n

      		\n

      48.6 % <\/p>\n<\/td>\n

      		\n

      +16.0 <\/strong> <\/p>\n<\/td>\n

      		\n

      34.8 % <\/p>\n<\/td>\n

      		\n

      52.9 % <\/p>\n<\/td>\n

      		\n

      +18.1 <\/p>\n<\/td>\n<\/tr>\n

      \n

      Qwen-2 7B <\/p>\n<\/td>\n

      		\n

      66.4 % <\/p>\n<\/td>\n

      		\n

      72.2 % <\/p>\n<\/td>\n

      		\n

      +5.8 <\/strong> <\/p>\n<\/td>\n

      		\n

      69.4 % <\/p>\n<\/td>\n

      		\n

      77.3 % <\/p>\n<\/td>\n

      		\n

      +7.9 <\/p>\n<\/td>\n<\/tr>\n

      \n

      Llama-3.1 8B <\/p>\n<\/td>\n

      		\n

      64.9 % <\/p>\n<\/td>\n

      		\n

      68.7 % <\/p>\n<\/td>\n

      		\n

      +3.8<\/strong> <\/p>\n<\/td>\n

      		\n

      70.9 % <\/p>\n<\/td>\n

      		\n

      74.9 % <\/p>\n<\/td>\n

      		\n

      +4.0 <\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

      Math Countdown (15 k) <\/strong><\/p>\n

      \n
      \n\n\n\n\n\n\n\n
      \n

      \u041c\u043e\u0434\u0435\u043b\u044c <\/strong><\/p>\n<\/td>\n

      		\n

      P@1 van <\/strong><\/p>\n<\/td>\n

      		\n

      P@1 RRR <\/strong><\/p>\n<\/td>\n

      		\n

      \u0394 @1 <\/strong><\/p>\n<\/td>\n

      		\n

      P@2 van <\/strong><\/p>\n<\/td>\n

      		\n

      P@2 RRR <\/strong><\/p>\n<\/td>\n

      		\n

      \u0394 @2<\/strong><\/p>\n<\/td>\n<\/tr>\n

      \n

      Qwen-2.5 1.5B <\/p>\n<\/td>\n

      		\n

      6.0 <\/p>\n<\/td>\n

      		\n

      34.9 <\/p>\n<\/td>\n

      		\n

      +28.9 <\/strong><\/p>\n<\/td>\n

      		\n

      10.2 <\/p>\n<\/td>\n

      		\n

      45.0 <\/p>\n<\/td>\n

      		\n

      +34.8 <\/strong><\/p>\n<\/td>\n<\/tr>\n

      \n

      Qwen-2.5 3B <\/p>\n<\/td>\n

      		\n

      18.8 <\/p>\n<\/td>\n

      		\n

      39.7 <\/p>\n<\/td>\n

      		\n

      +20.9 <\/strong><\/p>\n<\/td>\n

      		\n

      29.0 <\/p>\n<\/td>\n

      		\n

      47.3 <\/p>\n<\/td>\n

      		\n

      +18.3 <\/strong><\/p>\n<\/td>\n<\/tr>\n

      \n

      Qwen-2.5 7B <\/p>\n<\/td>\n

      		\n

      31.7 <\/p>\n<\/td>\n

      		\n

      43.4 <\/p>\n<\/td>\n

      		\n

      +11.7 <\/strong><\/p>\n<\/td>\n

      		\n

      38.0 <\/p>\n<\/td>\n

      		\n

      50.3 <\/p>\n<\/td>\n

      		\n

      +12.3 <\/strong><\/p>\n<\/td>\n<\/tr>\n

      \n

      Llama-3.1 8B <\/p>\n<\/td>\n

      		\n

      2.2 <\/p>\n<\/td>\n

      		\n

      4.6 <\/p>\n<\/td>\n

      		\n

      +2.3 <\/strong><\/p>\n<\/td>\n

      		\n

      8.8 <\/p>\n<\/td>\n

      		\n

      17.8 <\/p>\n<\/td>\n

      		\n

      +9.0 <\/strong><\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

      \u0412\u0438\u0434\u043d\u043e, \u0447\u0442\u043e \u043f\u043e\u0441\u043b\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0430\u0432\u0442\u043e\u0440\u0441\u043a\u043e\u0433\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u0440\u0430\u0441\u0442\u0435\u0442 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u0438 \u043f\u0435\u0440\u0432\u043e\u043c \u043f\u0440\u043e\u0445\u043e\u0434\u0435. \u042d\u0442\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u043e, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0432 \u043f\u0440\u043e\u0434-\u0440\u0435\u0448\u0435\u043d\u0438\u0438 \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u043c\u0438\u043d\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0432\u044b\u0437\u043e\u0432\u043e\u0432 \u043c\u043e\u0434\u0435\u043b\u0438 \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u0444\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0433\u043e \u0440\u0435\u0448\u0435\u043d\u0438\u044f (\u043c\u0438\u043d\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u0440\u0430\u0441\u0445\u043e\u0434\u043e\u0432). <\/p>\n

      \u041a\u043b\u044e\u0447\u0435\u0432\u044b\u0435 \u043d\u0430\u0431\u043b\u044e\u0434\u0435\u043d\u0438\u044f \u0438 \u0430\u043d\u0430\u043b\u0438\u0437 \u043e\u0448\u0438\u0431\u043e\u043a <\/h3>\n

      Vanilla \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438 \u2014 \u0434\u043b\u0438\u043d\u043d\u044b\u0435, \u043c\u043d\u043e\u0433\u043e\u0441\u043b\u043e\u0432\u043d\u044b\u0435, \u0434\u0443\u0431\u043b\u0438\u0440\u0443\u044e\u0442 \u043f\u0440\u043e\u043c\u043f\u0442\u044b. \u041f\u043e\u0441\u043b\u0435 GRPO \u2014 \u0432 2\u20133 \u0440\u0430\u0437\u0430 \u043a\u043e\u0440\u043e\u0447\u0435, \u0431\u0435\u0437 \u043f\u043e\u0432\u0442\u043e\u0440\u043e\u0432, \u043f\u0440\u044f\u043c\u043e \u0443\u043a\u0430\u0437\u044b\u0432\u0430\u044e\u0442 \u043e\u0448\u0438\u0431\u043a\u0443.
      \u041b\u0443\u0447\u0448\u0430\u044f \u0435\u0434\u0438\u043d\u0438\u0447\u043d\u0430\u044f \u0434\u0435\u043b\u044c\u0442\u0430\u00a0\u2014\u00a0+34.8 <\/strong>\u043f.\u043f.\u00a0(10.2 % \u2192 45.0 %) \u0443 Qwen-2.5-1.5 B \u043d\u0430 Countdown.\u00a0
      Qwen-2-7B Instruct \u043f\u043e\u0441\u043b\u0435 Reflect, Retry, Reward \u043e\u043f\u0435\u0440\u0435\u0436\u0430\u0435\u0442 Qwen-2-72B Instruct (\u0432 10 \u0440\u0430\u0437 \u0431\u043e\u043b\u044c\u0448\u0435!<\/em>) \u0431\u0435\u0437 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0430 tool-calling (77.3 % vs 73.7).\u00a0 <\/p>\n

      \u041a\u0430\u0442\u0430\u0441\u0442\u0440\u043e\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f \u043d\u0435\u0442<\/strong>:\u00a0MMLU-Pro, GSM8K, HellaSwag, MATH \u043f\u0440\u043e\u0441\u0435\u043b\u0438 \u043d\u0435 \u0431\u043e\u043b\u0435\u0435 \u0447\u0435\u043c \u043d\u0430 1 \u043f.\u043f.<\/p>\n

      APIGen: \u0443 1.5 B-\u043c\u043e\u0434\u0435\u043b\u0438 \u043e\u0448\u0438\u0431\u043a\u0438\u00a0\u0432\u044b\u0431\u043e\u0440\u0430 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430<\/strong>\u00a0\u043f\u0430\u0434\u0430\u044e\u0442 \u0441 33.9% \u0434\u043e 21.3%. Countdown: \u0443 \u0442\u043e\u0439 \u0436\u0435 1.5 B-\u043c\u043e\u0434\u0435\u043b\u0438 \u0434\u043e\u043b\u044f \u00ab\u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0445 \u0447\u0438\u0441\u0435\u043b\u00bb \u0441\u043d\u0438\u0436\u0430\u0435\u0442\u0441\u044f \u0441 73.7% \u0434\u043e 34.3%. <\/p>\n

      Better Self-Reflections <\/h3>\n
      <\/figure>\n

      \u0420\u0430\u0437\u043c\u044b\u0448\u043b\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0431\u0435\u0437 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0434\u043b\u0438\u043d\u043d\u044b\u0435 \u0438 \u0438\u0437\u0431\u044b\u0442\u043e\u0447\u043d\u044b\u0435, \u0430 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u043d\u044b\u0435 \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u044e\u0442 \u0431\u043e\u043b\u0435\u0435 \u043a\u043e\u0440\u043e\u0442\u043a\u0438\u0435 \u0438 \u043e\u0431\u043e\u0431\u0449\u0430\u0435\u043c\u044b\u0435 \u0440\u0430\u0437\u043c\u044b\u0448\u043b\u0435\u043d\u0438\u044f. <\/p>\n

      \u0413\u0438\u043f\u0435\u0440\u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b <\/h3>\n
      \n
      \n\n\n\n\n\n\n\n\n\n
      \n

      \u041f\u0430\u0440\u0430\u043c\u0435\u0442\u0440 <\/p>\n<\/td>\n

      		\n

      \u0417\u043d\u0430\u0447\u0435\u043d\u0438\u0435 <\/p>\n<\/td>\n

      		\n

      \u041a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u0439 <\/p>\n<\/td>\n<\/tr>\n

      \n

      LR <\/p>\n<\/td>\n

      		\n

      5 \u00d7 10\u207b\u2077 <\/p>\n<\/td>\n

      		\n

      \u0432\u044b\u0448\u0435 \u2014 \u0432\u0437\u0440\u044b\u0432 KL, \u043d\u0438\u0436\u0435 \u2014 \u043d\u0435 \u0441\u0445\u043e\u0434\u0438\u0442\u0441\u044f <\/p>\n<\/td>\n<\/tr>\n

      \n

      KL \u043a\u043e\u044d\u0444\u0444. <\/p>\n<\/td>\n

      		\n

      1 \u00d7 10\u207b\u00b3 <\/p>\n<\/td>\n

      		\n

      \u0443\u0434\u0435\u0440\u0436\u0438\u0432\u0430\u0435\u0442 \u0434\u0438\u0432\u0435\u0440\u0433\u0435\u043d\u0446\u0438\u044e \u2248 0.3 nats <\/p>\n<\/td>\n<\/tr>\n

      \n

      Scheduler <\/p>\n<\/td>\n

      		\n

      cosine + 0.03 warm-up ration <\/p>\n<\/td>\n

      		\n

      \u043c\u044f\u0433\u043a\u0438\u0439 \u0441\u0442\u0430\u0440\u0442 <\/p>\n<\/td>\n<\/tr>\n

      \n

      Batch <\/p>\n<\/td>\n

      		\n

      256 \u043e\u0448\u0438\u0431\u043e\u0447\u043d\u044b\u0445 \u0441\u044d\u043c\u043f\u043b\u043e\u0432 <\/p>\n<\/td>\n

      		\n

      \u043e\u043f\u0442\u0438\u043c\u0443\u043c \u0434\u043b\u044f GRPO-rank \u043d\u0430 8 \u00d7 H100 <\/p>\n<\/td>\n<\/tr>\n

      \n

      \u0428\u0430\u0433\u0438 <\/p>\n<\/td>\n

      		\n

      1 750 <\/p>\n<\/td>\n

      		\n

      \u0440\u0435\u0430\u043b\u044c\u043d\u0430\u044f \u0441\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c (\u043f\u043e \u0443\u043a\u0430\u0437\u0430\u043d\u0438\u044e \u0430\u0432\u0442\u043e\u0440\u043e\u0432) \u0431\u044b\u0441\u0442\u0440\u0435\u0435 <\/p>\n<\/td>\n<\/tr>\n

      \n

      \u0420\u0435\u0441\u0443\u0440\u0441\u044b <\/p>\n<\/td>\n

      		\n

      4\u20138 \u00d7 H100 <\/p>\n<\/td>\n

      		\n

      —<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n

      \u041f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u043d\u0435 \u0432\u044b\u0437\u044b\u0432\u0430\u044e\u0442 \u043e\u0441\u043e\u0431\u044b\u0445 \u0432\u043e\u043f\u0440\u043e\u0441\u043e\u0432, \u043c\u043e\u0436\u043d\u043e \u043e\u0431\u0440\u0430\u0442\u0438\u0442\u044c \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435 \u043d\u0430 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u041c\u043e\u0436\u0435\u0442 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u044c\u0441\u044f, \u0447\u0442\u043e \u043a\u043b\u0430\u0441\u0442\u0435\u0440 4-8 x H100 \u043d\u0435 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u0431\u044e\u0434\u0436\u0435\u0442\u043d\u044b\u043c, \u043d\u043e \u0442\u0443\u0442 \u0432\u0430\u0436\u043d\u043e \u043e\u0442\u043c\u0435\u0442\u0438\u0442\u044c, \u0447\u0442\u043e \u044d\u0442\u0438 \u0440\u0435\u0441\u0443\u0440\u0441\u044b \u043d\u0430\u043c \u043d\u0443\u0436\u043d\u044b \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430 \u044d\u0442\u0430\u043f\u0435 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0414\u043b\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0430\u0432\u0442\u043e\u0440\u044b \u0434\u0435\u043b\u0430\u044e\u0442 \u0430\u043a\u0446\u0435\u043d\u0442 \u0432 \u0441\u0432\u043e\u0435\u0439 \u0440\u0430\u0431\u043e\u0442\u0435, \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0433\u043e\u0440\u0430\u0437\u0434\u043e \u043c\u0435\u043d\u044c\u0448\u0435 \u0440\u0435\u0441\u0443\u0440\u0441\u043e\u0432 (\u0432 \u043f\u0435\u0440\u0435\u0441\u0447\u0435\u0442\u0435 \u043d\u0430 \u043e\u0434\u0438\u043d \u0438\u043d\u0441\u0442\u0430\u043d\u0441 \u043c\u043e\u0434\u0435\u043b\u0438). <\/p>\n

      \u041e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f <\/h3>\n

      \u041c\u0435\u0442\u043e\u0434 \u0442\u0440\u0435\u0431\u0443\u0435\u0442\u00a0\u0431\u0438\u043d\u0430\u0440\u043d\u043e\u0433\u043e \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430. \u0414\u043b\u044f \u0431\u043e\u043b\u0435\u0435 \u0441\u043b\u043e\u0436\u043d\u044b\u0445 \u0437\u0430\u0434\u0430\u0447 \u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u044c\u0441\u044f judge-LLM, \u0447\u0442\u043e \u043c\u043e\u0436\u0435\u0442 \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u0442\u044c \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u0440\u0435\u0441\u0443\u0440\u0441\u043e\u0432. \u0418 \u0442\u0430\u043a \u043a\u0430\u043a judge-LLM \u0434\u043e\u043b\u0436\u043d\u0430 \u0431\u044b\u0442\u044c \u0441\u0438\u043b\u044c\u043d\u0435\u0435, \u0447\u0435\u043c \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u043c\u043e\u0434\u0435\u043b\u044c, \u0442\u043e \u0442\u0443\u0442 \u043f\u043e\u0434\u0445\u043e\u0434 \u0443\u0436\u0435 \u0432\u044b\u0445\u043e\u0434\u0438\u0442 \u0437\u0430 \u0440\u0430\u043c\u043a\u0438 \u0431\u044e\u0434\u0436\u0435\u0442\u043d\u043e\u0433\u043e. \u0412\u043e \u0432\u0440\u0435\u043c\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430 \u043f\u0440\u0438\u0434\u0435\u0442\u0441\u044f \u043b\u0438\u0431\u043e \u0440\u0430\u0437\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0442\u044c \u0432\u0442\u043e\u0440\u0443\u044e (\u0431\u043e\u043b\u0435\u0435 \u0442\u044f\u0436\u0435\u043b\u0443\u044e) \u043c\u043e\u0434\u0435\u043b\u044c, \u043b\u0438\u0431\u043e \u0442\u0440\u0430\u0442\u0438\u0442\u044c \u0434\u0435\u043d\u044c\u0433\u0438 (\u0438 \u0436\u0435\u0440\u0442\u0432\u043e\u0432\u0430\u0442\u044c \u043f\u0440\u0438\u0432\u0430\u0442\u043d\u043e\u0441\u0442\u044c\u044e) \u043d\u0430 API. <\/p>\n

      \u041f\u0440\u0438 \u044d\u0442\u043e\u043c GRPO-\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043a\u0440\u0443\u043f\u043d\u044b\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 (> 8B) \u043e\u0441\u043b\u043e\u0436\u043d\u044f\u0435\u0442\u0441\u044f \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u044c\u044e.<\/p>\n

      \u0412\u044b\u0432\u043e\u0434 <\/h2>\n

      \u041e\u0431\u0443\u0447\u0430\u044f \u043c\u043e\u0434\u0435\u043b\u044c \u0443\u043b\u0443\u0447\u0448\u0430\u0442\u044c\u00a0\u0441\u0430\u043c\u043e\u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u044e<\/strong>, \u0430 \u043d\u0435 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442. \u0410\u0432\u0442\u043e\u0440\u044b \u0434\u043e\u0441\u0442\u0438\u0433\u0430\u044e\u0442 \u0437\u043d\u0430\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0433\u043e \u043f\u0440\u0438\u0440\u043e\u0441\u0442\u0430 \u043d\u0430 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 APIGen \u0438 Countdown \u0431\u0435\u0437 \u043a\u0430\u0442\u0430\u0441\u0442\u0440\u043e\u0444\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0437\u0430\u0431\u044b\u0432\u0430\u043d\u0438\u044f \u0438 \u0434\u0435\u043c\u043e\u043d\u0441\u0442\u0440\u0438\u0440\u0443\u044e\u0442, \u0447\u0442\u043e\u00a0\u043c\u0435\u043d\u044c\u0448\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 (1.5\u20137 B) \u043f\u043e\u0441\u043b\u0435 RRR \u043e\u0431\u0433\u043e\u043d\u044f\u044e\u0442 10\u00d7 \u0431\u043e\u043b\u0435\u0435 \u043a\u0440\u0443\u043f\u043d\u044b\u0435 \u00ab\u0441\u044b\u0440\u044b\u0435\u00bb \u043c\u043e\u0434\u0435\u043b\u0438. \u041c\u0435\u0442\u043e\u0434 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043b\u0438\u0448\u044c \u0431\u0438\u043d\u0430\u0440\u043d\u043e\u0433\u043e \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u0430, \u0447\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442 \u0435\u0433\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c\u044b\u043c \u0442\u0430\u043c, \u0433\u0434\u0435 \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043e\u0442\u0432\u0435\u0442\u0430 \u043f\u0440\u043e\u0441\u0442\u0430. <\/p>\n

      \u041f\u043e\u0434\u0445\u043e\u0434 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u044b\u0439, \u0445\u043e\u0442\u044f \u0438 \u043a\u0430\u0436\u0435\u0442\u0441\u044f \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u044b\u043c. \u041b\u0438\u0447\u043d\u043e \u043c\u043d\u0435 \u0445\u043e\u0442\u0435\u043b\u043e\u0441\u044c \u0431\u044b \u0435\u0449\u0435 \u0443\u0432\u0438\u0434\u0435\u0442\u044c \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u0441 \u043e\u0431\u044b\u0447\u043d\u044b\u043c GRPO \u0431\u0435\u0437 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438. \u0425\u043e\u0447\u0435\u0442\u0441\u044f \u0442\u043e\u0447\u043d\u043e \u0443\u0432\u0438\u0434\u0435\u0442\u044c, \u0447\u0442\u043e \u043c\u044b \u043d\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043c \u0442\u0430\u043a\u043e\u0439 \u0436\u0435 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u0431\u0435\u0437 \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0440\u0435\u0444\u043b\u0435\u043a\u0441\u0438\u0438 \u043e\u0442 \u043c\u043e\u0434\u0435\u043b\u0438. <\/p>\n

      \u0415\u0449\u0435 \u0444\u0438\u043a\u0441\u0430\u0446\u0438\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430 \u0434\u0432\u0443\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445 (\u0434\u0432\u0443\u0445 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e \u0443\u0437\u043a\u0438\u0445 \u0442\u0438\u043f\u0430\u0445 \u0437\u0430\u0434\u0430\u0447) \u043a\u0430\u0436\u0435\u0442\u0441\u044f \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e\u0439. \u041c\u043e\u0436\u043d\u043e \u043f\u043e\u043f\u0440\u043e\u0431\u043e\u0432\u0430\u0442\u044c \u043a\u0430\u043a \u0432 \u043d\u0435\u0434\u0430\u0432\u043d\u0435\u0439 Absolute Zero: Reinforced Self-play Reasoning with Zero Data \u0431\u043e\u043b\u0435\u0435 \u0441\u0438\u043b\u044c\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u044c\u044e \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0437\u0430\u0434\u0430\u0447\u0438 \u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u044d\u0442\u0443 \u0441\u0438\u043d\u0442\u0435\u0442\u0438\u043a\u0443 \u0431\u0438\u043d\u0430\u0440\u043d\u044b\u043c \u0432\u0435\u0440\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440\u043e\u043c. \u0412 \u043f\u0440\u043e\u0434-\u0440\u0435\u0448\u0435\u043d\u0438\u0438 \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u0438\u043d\u0442\u0435\u0442\u0438\u043a\u0443 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u043b\u043e\u0433\u043e\u0432, \u043f\u043e\u043b\u0443\u0447\u0430\u044f \u0434\u043e\u0441\u0442\u0443\u043f \u043a \u0431\u043e\u043b\u0435\u0435 \u0441\u0438\u043b\u044c\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u043f\u043e API, \u043b\u0438\u0431\u043e (\u0434\u043b\u044f \u043f\u0440\u0438\u0432\u0430\u0442\u043d\u043e\u0441\u0442\u0438) \u043f\u043e\u0434\u043d\u0438\u043c\u0430\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u0442\u044f\u0436\u0435\u043b\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430 \u0442\u0435\u0445 \u0436\u0435 4-8 x H100.<\/p>\n

      \u0421\u043f\u0430\u0441\u0438\u0431\u043e, \u0447\u0442\u043e \u0434\u043e\u0447\u0438\u0442\u0430\u043b\u0438! \u041f\u0438\u0448\u0438\u0442\u0435 \u0441\u0432\u043e\u0438 \u043c\u044b\u0441\u043b\u0438 \u0432 \u043a\u043e\u043c\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u0438 \u2193<\/strong> <\/p>\n\n

      \u0410\u0432\u0442\u043e\u0440 \u0441\u0442\u0430\u0442\u044c\u0438: \u041f\u043e\u0442\u0435\u043c\u0438\u043d \u0420\u043e\u043c\u0430\u043d, \u043c\u0430\u0433\u0438\u0441\u0442\u0440\u0430\u043d\u0442 AI Talent Hub. <\/strong><\/p>\n<\/div>\n<\/div>\n<\/div>\n

      <\/div>\n


      \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 https:\/\/habr.com\/ru\/articles\/935368\/<\/a>
      <\/br><\/br><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-470297","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/470297","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=470297"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/470297\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=470297"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=470297"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=470297"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}