Açık kaynak bir RL sistemi, AIME 2024'te 50 puana ulaştı.
Orijinal başlık: DAPO: An Open-source RL System from ByteDance Seed and Tsinghua AIR
KISACA
- Tek cümlede
- ByteDance Seed ve Tsinghua AIR, DAPO adlı açık kaynak bir RL sistemi ortaya çıkardı.
- Bulgu
- Qwen2.5-32B ile AIME 2024'te 50 puan aldı; DeepSeek-R1-Zero-Qwen-32B'yi eğitim adımlarının yarısıyla geçti.
- Neden önemli?
- Kod, 17 bin problemlik veri seti, model ağırlıkları ve eğitim kayıtları açık paylaşılıyor.
Ne oldu?
DAPO, ByteDance Seed ve Tsinghua AIR'in geliştirdiği açık kaynak bir pekiştirmeli öğrenme sistemi. Adı 'Decoupled Clip and Dynamic sAmpling Policy Optimization'ın kısaltması. Taban model Qwen2.5-32B ile AIME 2024'te 50 puana ulaşıyor. README'ye göre DeepSeek-R1-Zero-Qwen-32B'yi eğitim adımlarının %50'siyle geçiyor. Algoritma kodu, 17.000 matematik problemlik DAPO-Math-17k veri seti, model ağırlıkları ve eğitim kayıtları açık paylaşılıyor. Sistem verl çerçevesi üzerine kurulu.
Sonuçlar, verl çerçevesi üzerinde yeniden üretilebilir şekilde sunuluyor.
Aynı haberin kısa dikey video özeti.
Bu notu kaynak göstererek alıntılayabilirsin: Hasan Amanet, “Açık kaynak bir RL sistemi, AIME 2024'te 50 puana ulaştı.”, Notes for Data Science, 21 Eylül 2026.