Notícias de IA e infraestrutura
Filtrar por tipo: Publicação27
- há 17 dias x.com
Ajuste de modelo de código de 14B com SFT e DPO
Artigo de 20 de janeiro de 2026 descreve o ajuste de um modelo de 14B com conversas sobre código e relata números, custos e dificuldades.
- há 17 dias x.com
Arquitetura também influencia o aprendizado contínuo
Artigo publicado em 17 de janeiro de 2026 relata que redes mais largas e menos global average pooling podem favorecer a retenção, enquanto ResNets e WideResNets aprendem novas tarefas rapidamente, mas esquecem mais.
- há 17 dias x.com
Como medir escala e custo em experimentos de RL
Post de 18 de abril de 2026 compara leis de escala de pré-treinamento e aprendizado por reforço, destacando custos de amostragem e atualização da política e desafios de avaliação.
- há 17 dias x.com
Distilação progressiva para aprimorar VLMs
Em post publicado em 4 de janeiro de 2026, o autor descreve o framework Masters e relata ganhos em dois modelos de visão e linguagem, com uma abordagem que busca evitar o custo computacional de RL online.
- há 17 dias x.com
IA pode descobrir algoritmos de reinforcement learning
Artigo publicado na Nature em 28 de outubro de 2025 relata a descoberta autônoma de algoritmos de reinforcement learning e aponta uma possível nova abordagem para engenheiros.
- há 17 dias x.com
LaSeR explora recompensas pelo último token em LLMs
Em post publicado em 19 de outubro de 2025, a Tencent apresenta o LaSeR, algoritmo de reinforcement learning que alinha scores do último token a recompensas reais e usa uma inferência adicional de token.
- há 17 dias x.com
MaxRL propõe outra forma de treinar RL com recompensa binária
Publicado em 9 de fevereiro de 2026, o post descreve o MaxRL e relata até 20 vezes mais eficiência em tempo de teste que o GRPO.
- há 17 dias x.com
Modelos em loop: escala e avaliação prática
Artigo de 30 de outubro de 2025 relata treinamento de modelos de linguagem em loop com 2,6 bilhões de parâmetros e mais de 7 trilhões de tokens, com desempenho comparável ao de modelos duas a três vezes maiores.
- há 17 dias x.com
O pipeline do Olmo 3 e o treinamento de modelos de raciocínio
Post publicado em 15 de dezembro de 2025 descreve SFT com traces curados, seguido de DPO e RLVR com otimização de política relativa em grupo.
- há 17 dias x.com
Prompts longos: processamento recursivo com código
Post do MIT, publicado em 6 de janeiro de 2026, descreve modelos que usam uma interface Python para filtrar e processar recursivamente trechos de prompts longos.
- há 17 dias x.com
Ring-1T: treinamento em três fases para MoE de 1 trilhão de parâmetros
Post publicado em 22 de outubro de 2025 descreve o Ring-1T, modelo MoE de raciocínio com 1 trilhão de parâmetros e cerca de 50 bilhões ativos por token, treinado em três fases.
- há 17 dias x.com
RL offline: generalização bayesiana em modelos
Post de 14 de janeiro de 2026 sobre um artigo que explora generalização bayesiana adaptativa em RL offline baseado em modelos, usando rollouts de longo horizonte para reduzir restrições conservadoras.
- há 17 dias x.com
RLAC propõe crítico adversarial para geração livre
Em post publicado em 5 de novembro de 2025, a abordagem RLAC relata mais factualidade e melhores pontuações em código, com menos chamadas de validação e menos dados e casos de teste.
- há 17 dias x.com
RLoop alterna exploração e consolidação no RL
Post de 7 de novembro de 2025 descreve uma estratégia de inicialização iterativa de políticas, com ganhos em duas métricas de avaliação.
- há 17 dias x.com
Self-play para treinar agentes de código com bugs reais
Uma publicação de 26 de dezembro de 2025 descreve o Self-play SWE-RL, método que treina um agente para inserir e corrigir bugs em repositórios reais sem issues rotuladas por pessoas nem descrições dos problemas em linguagem natural.
- há 17 dias x.com
SETA lança 400 ambientes de RL para agentes de terminal
Em 9 de janeiro de 2026, a SETA anunciou ambientes de treinamento, um pipeline de RL e pesos de modelo para experimentos com agentes de terminal.
- há 18 dias x.com
Agentes de terminal treinados em ambientes RL Dockerizados
Post publicado em 24 de junho de 2026 descreve 14,6 mil ambientes Dockerizados de aprendizado por reforço e uma receita DPPO baseada apenas em resultados. Um modelo 9B alcançou 27% no Terminal-Bench 2.0.
- há 18 dias x.com
AutoDecompiler aplica RL à decompilação iterativa
Post de 25 de junho de 2026 descreve um modelo que usa aprendizado por reforço e feedback direto em várias etapas para decompilar código.
- há 18 dias x.com
CodeMidas cria tarefas de treinamento de RL a partir de código
Em um post datado de 21 de setembro de 2026, a Xiaomi descreve o CodeMidas, que usa agentes para gerar 5.545 tarefas executáveis em 23 linguagens a partir de bases de código open source.
- há 18 dias x.com
Como medir ganhos de RL em tarefas de engenharia de software
Um post datado de 21 de setembro de 2026 relata que a pontuação do MiMo Pro no benchmark DeepSWE passou de 58,41 para 72,57 após execuções de aprendizado por reforço.
- há 18 dias x.com
Como o RL pode ampliar habilidades aprendidas por SFT
Post de 11 de julho de 2026 apresenta a hipótese de que o RL pode separar componentes úteis do SFT em habilidades reutilizáveis e regras de roteamento.
- há 18 dias x.com
Distilação on-policy para combinar modelos especialistas
A técnica MOPD treina um modelo student com suas próprias respostas e usa probabilidades por token de vários teachers para transferir capacidades especializadas.
- há 18 dias x.com
Policy gradients: da derivação à avaliação prática
Publicado em 30 de agosto de 2026, o artigo revisa trabalhos fundamentais de aprendizado por reforço, deriva o algoritmo de policy gradient e discute suas variantes.
- há 18 dias x.com
ProRL Agent separa rollouts do treino de políticas de LLMs
Publicado em 30 de setembro de 2026, o ProRL Agent descreve uma infraestrutura open source que separa geração de trajetórias, orquestração de ambientes e avaliação da otimização de políticas para agentes multi-turn.
- há 18 dias x.com
RubricEM usa critérios por etapa para treinar agentes de pesquisa
Publicado em 5 de julho de 2026, o trabalho descreve agentes que criam critérios de avaliação antes de pesquisar e reutilizam lições de tentativas avaliadas.
- há 18 dias x.com
Sandboxes em escala: referência para infraestrutura
Uma publicação datada de 22 de setembro de 2026 relata que uma unidade de computação em escala de produção cobre cerca de 160 nós e suporta mais de 380 mil sandboxes simultâneos.
- há 18 dias x.com
Treinar decisões com probabilidades calibradas
Uma publicação de 4 de outubro de 2026 descreve um setup de aprendizado por reforço que pontua opções em ramos separados e combina a previsão do resultado com a calibração da confiança.
Vamos avaliar seu projeto
Respondo com escopo e proposta.