Gemma 4 E2B 在单块 Google TPU 上完成多轮智能体 RL 训练
单块 TPU 就能把一个 9.4% 胜率的小模型练到 95%,用的是 GRPO 多轮智能体 RL。配方全开源,想自己跑 agent 强化学习又没集群的开发者可以直接照着复现,成本门槛比想象中低很多。
Shubham Saboo 演示了在单块 Google TPU 上对 Gemma 4 E2B 运行多轮智能体强化学习。
任务是一个需要工具调用的棋盘游戏,模型初始胜率仅 9.4%。
经过 100 步 GRPO 训练后,胜率提升到 95%。完整训练配方 100% 开源,包含环境和奖励设置,开发者可以直接复现这套单卡多轮 RL 流程。
Crazyy...multi-turn agentic RL on a single Google TPU.
Gemma 4 E2B started at a 9.4% win rate on a tool-calling board game. After 100 steps of GRPO, it hit 95%.
Full recipe is 100% Opensource. https://t.co/vVTfeKnVzc
本条情报归属 AITOP「技巧」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:Gemma、TPU、GRPO、智能体,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明:本文原始线索采编自「Shubham Saboo」(@Saboo_Shubham_),经 AITOP 多维评分管线结构化提炼。