Ring-Zero: Escalando o Zero RL para um Trilhão de Parâmetros em Busca de Raciocínio Emergente

arXiv:2607.12395v1 Tipo de anúncio: novo Resumo: O aprendizado por reforço com recompensas verificáveis e sem dados anotados por humanos, frequentemente chamado de zero RL, surgiu como um paradigma poderoso para provocar o raciocínio em cadeia de pensamento (chain-of-thought). No entanto, devido a restrições computacionais, os estudos existentes limitam-se em grande parte a modelos pequenos, deixando inexplorados a dinâmica de treinamento e as capacidades emergentes em larga escala. Para explorar essa fronteira de forma significativa, buscamos provocar comportamentos de raciocínio de alta qualidade...