论文精选
DeepSeek 与 Reflection AI 的 RL 环境计数方法尚难对比
精选理由
对比了 DeepSeek 和 Reflection AI 各自披露的 RL 训练规模，Beam 用了 13 亿 sandbox 和一万多块 GB300，想看训练算力数据可以留意。
推文指出，DeepSeek 在 DSec/V4.1 论文中与 Reflection AI 在 Beam 博客中对"RL 环境"的统计口径不同，暂时无法直接对比。Reflection AI 的 Beam 项目披露其使用了 13 亿个 sandbox，动用 10500 块 GB300 训练 4 周。作者预计 DeepSeek 的 V4.1F-1017 版本会明显更强。
原文 · Teortaxes
it's still unclear how DeepSeek (in DSec/V4.1 paper) and Reflection AI (in Beam blogpost) methods of counting "RL environments" differ. Beam used 1.3 billion sandboxes, 4 weeks with 10.5K GB300s. I feel like V4.1F-1017 will be vastly stronger. https://t.co/WBH8I8Cesv
