ตามการติดตามของ Beating แพลตฟอร์มฝึกอบรม AI Prime Intellect ได้เปิดตัว verifiers 0.2.0 และเผยแพร่ภาพรวมสถาปัตยกรรมของ Verifiers v1 รุ่นถัดไป Verifiers เป็นเฟรมเวิร์กโอเพนซอร์สสำหรับการออกข้อสอบ ให้ AI Agent ทำงาน และให้คะแนน ซึ่งสามารถใช้ในการประเมินความสามารถและการฝึกอบรมแบบเสริมกำลังการเรียนรู้
Prime Intellect ยังได้เปิดตัวเฟรมเวิร์กการฝึกอบรมโมเดล prime-rl อย่างง่ายๆ คือ Verifiers รับผิดชอบการกำหนดภารกิจ เครื่องมือ และกฎการให้คะแนน ส่วน prime-rl จะฝึกโมเดลตามผลลัพธ์ของภารกิจ นักพัฒนาสามารถดาวน์โหลดและปรับใช้เครื่องมือทั้งสองชุดนี้ได้ด้วยตนเอง
Prime Intellect ดำเนินการ Environments Hub และ Lab พร้อมกัน โดย Hub ใช้สำหรับแชร์และดาวน์โหลดสภาพแวดล้อมการฝึกอบรมสำเร็จรูป ส่วน Lab ให้บริการฝึกอบรมแบบ托管 นักพัฒนาสามารถปรับใช้เครื่องมือทั้งชุดด้วยตนเอง หรือใช้สภาพแวดล้อมและแพลตฟอร์มพลังการคำนวณของ Prime Intellect โดยตรง
Verifiers เวอร์ชันเก่าผูกภารกิจและวิธีการทำงานของ Agent ไว้ด้วยกัน v1 แยกออกเป็นสามส่วน: Taskset กำหนดว่าต้องทำอะไร มีเครื่องมืออะไรให้ใช้ และให้คะแนนอย่างไร; Harness กำหนดว่า Agent จะทำภารกิจให้สำเร็จได้อย่างไร; Runtime กำหนดว่าภารกิจจะทำงานในเครื่อง本地 Docker หรือแซนด์บ็อกซ์ระยะไกล
ด้วยเหตุนี้ ภารกิจชุดเดียวกันจึงสามารถเปลี่ยนไปใช้ Agent อย่าง Codex, Kimi Code, Terminus 2 เป็นต้น และสามารถทำงานในเครื่อง本地 Docker หรือแซนด์บ็อกซ์ระยะไกลได้ นักพัฒนาไม่จำเป็นต้องเขียนภารกิจและกฎการให้คะแนนใหม่ทุกครั้งที่เปลี่ยน Agent หรือสภาพแวดล้อมการทำงาน
v1 ยังสามารถบันทึกกระบวนการย่อย เช่น การเรียกใช้ Agent ย่อย การบีบอัดบริบท และบันทึก Token ID และลอการิทึมความน่าจะเป็นที่จำเป็นสำหรับการฝึกอบรม เวอร์ชันใหม่เหมาะสำหรับภารกิจยาวที่กินเวลาหลายร้อยรอบ และสามารถนำเส้นทางการทำงานของ Agent ไปใช้ในการเสริมกำลังการเรียนรู้ได้โดยตรง เวอร์ชัน 1.0.0 ในอนาคตยังวางแผนที่จะเพิ่มสภาพแวดล้อมแบบหลาย Agent และปรับปรุงการรองรับเฟรมเวิร์กสภาพแวดล้อมอย่าง OpenEnv, NeMo Gym และ OpenReward
