一句话
Google 用 Tunix 给 Gemma 4 做多轮强化学习训练,在一个格子游戏里把胜率从 9.4% 提到 95%。
要点
- 怎么训练
模型在游戏里连续多轮思考,调用 strike 工具打格子,根据反馈调整策略,整个训练只用一台 TPU v6e-8。
- 效果
训练 100 步后,胜率从 9.4% 升到 95%,平均打击次数从 22.44 次降到约 16 次。
- 实现方式
Google 把环境、工具解析、对话智能体和 GRPO 训练器拆成四个模块,训练跑在同一台 TPU 上。
登录看全文「原文讲了什么」和「我们的看法」登录后可看,免费。原文链接也在里面。
觉得有用?