Miles v0.1: RL-система пост-обучения продакшен-уровня
RadixArk
Полностековая open-source система для frontier RL post-training, построенная на дизайне slime: rollout-движки SGLang, тренеры Megatron-LM или PyTorch FSDP, три транспорта синхронизации весов, плюс поддержка LoRA RL, on-policy дистилляции и диффузионных моделей. Кейс: полностью асинхронное агентное RL на модели GLM-5.2 744B-A40B по задачам программирования с использованием терминала на 64 GPU GB300, медианное время шага 263 с.
Почему это важно
2.7k звёзд на GitHub за несколько дней; делает агентное RL масштаба frontier воспроизводимым вне frontier-лабораторий, с первым детальным публичным отчётом об агентном RL-запуске на 744B.
Важность: 3/5
2.7k звёзд на GitHub; первые публичные детали агентного RL-запуска масштаба 744B
Источники
официальный
Miles v0.1: Production-Level Post-Training
официальный
arXiv 2609.08368