Google Tutorial ฝึก Agent ที่ใช้เครื่องมือของ Gemma 4 ด้วย Tunix บน TPU
เริ่มตรงนี้
Google ได้เผยแพร่บทแนะนำที่แสดงวิธีฝึก LLM agent แบบหลายรอบที่ใช้เครื่องมือ ด้วยไปป์ไลน์การเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ของ Tunix บนโฮสต์ Cloud TPU v6e-8 เพียงเครื่องเดียว โดยโมเดลนโยบายคือ Gemma 4 E2B ในโหมด thinking ซึ่งมาแทนที่โมเดลนโยบาย MLP แบบกำหนดเองที่ใช้ในตัวอย่างเกมกระดาน Plane Strike จากบล็อกการเรียนรู้แบบเสริมกำลังด้วย TensorFlow/JAX ก่อนหน้านี้ โค้ดฉบับสมบูรณ์อยู่ในรีโพ GitHub planestrike-gemma4-rl และ Google ชี้ให้ผู้อ่านไปที่เอกสาร Tunix เพื่อฝึกโมเดลเอเจนต์ของตนเองด้วย Tunix และ Google TPU บทแนะนำนี้อธิบายการตั้งค่า ไม่ใช่ผลการฝึกที่รายงานไว้
สร้างจากรายงาน · อัปเดต
ไทม์ไลน์รายงาน
ไล่ตามรายงานเพื่อดูเหตุการณ์นี้จากหลายด้าน
- Google Developers BlogGoogle ใช้ Tunix ฝึก Gemma 4 multi-turn tool-calling agent บน TPU
Google เผยแพร่บทแนะนำวิธีใช้กระบวนการ agentic RL ของ Tunix ฝึก multi-turn tool-calling agent บน Cloud TPU v6e-8 เครื่องเดียว โดยใช้โหมด thinking ของ Gemma 4 E2B เป็น policy model
ความร้อนแรงของเหตุการณ์นี้
ยังมีการเฝ้าดูต่อเนื่องไม่พอจะวาดแนวโน้ม