AReaL

AReaL ist ein groß angelegtes asynchrones Reinforcement-Learning-System (RL), das entwickelt wurde, um die Lücke zwischen dem Training von Foundation Models und modernen agentenbasierten Anwendungen zu schließen. Es wurde von Forschern der Tsinghua IIIS und der Ant Group entwickelt und ist auf Effizienz und Skalierbarkeit optimiert, wodurch es sich ideal für das Training von Reasoning- und Agenten-Modellen eignet. Sein vollständig asynchrones RL-Trainingsparadigma liefert einen branchenführenden Durchsatz, und sein flexibles Design ermöglicht die Einbindung von Black-Box-Agentenanwendungen durch den einfachen Austausch der base_url.