QwenGyre arXiv v1：2.4T学習を59時間短縮、Colocate比16時間の差
QwenGyreはエージェント実行と強化学習の間で、作業の進み具合に応じてGPUを再配分する。2.4TモデルのNL2RepoBench・48ステップ実験では、Asyncより59.13時間（43.9%）、Colocateより16.05時間（17.5%）早く終了した。よく引用される1.85倍は別の122B・TerminalBench実験の値で、論文には実装コードのリンクも反復実行時のばらつきもない。
devotd.
LLM
テーマごとの動きと判断に必要な背景をまとめる。
最新記事
57 件の記事Parsimonyリーダーボード：解決した試行の純増コード単位、解決率と併せて読む
Parsimonyは、公開コーディングエージェントベンチマークのパッチがコードをどれだけ増やしたかを数える。ウェブサイトの順位は測定可能な成功試行の平均純増コード単位が基準で、解決率と測定範囲は別の列に表示される。
TRL v1.15.0：融合LM headを既定で有効化、完全なlogitsテンソルをなくす
TRL v1.15.0は、SFT、DPO、KTO、GRPO、RLOO、Distillationで、完全なlogitsテンソルを作らずにトークンのスコアを計算する。プロジェクトの測定ではDPOの最大学習長が5.80倍に伸びたが、効果は従来の損失の経路と語彙の大きさによって異なる。
Reflection BeamベータAPI：262,144トークンの上限、無視されるstopパラメーター
Reflectionは10月5日、501BパラメーターのMoEモデルBeamを発表し、ベータAPIを段階的に開放し始めた。既存のエージェントを移すときの分かれ目は、サービスのトークン上限、対応エンドポイント、受け付けても効かないパラメーターだ。
AstaBrief 8B：単一パスの引用付きレポート、モデルとデータのライセンス分離
Ai2のAstaBrief 8Bは、質問と検索された文献抜粋から引用付きレポートを一度に書くQwen3-8Bベースのモデルだ。根拠の検索は入力経路の役割であり、モデルはApache 2.0だが、プロンプトとSFT/DPOデータはCC BY-NC 4.0である。
Olmo-core 3：GPU常駐エキスパート、兆パラメータMoE学習テスト
Ai2は10月1日、混合エキスパート（MoE）学習システムを再設計したフレームワークOlmo-core 3を公開した。兆規模のテストが示すのは学習基盤のシステム性能であり、新たに学習したモデルの品質ではない。
Claude Sonnet 5.5 API：基本単価据え置き、思考・ツール設定の互換性変更
Claude Sonnet 5.5はSonnet 5の基本入力・出力単価を維持するが、モデルIDの変更だけではMessages APIのリクエストが失敗し得る。thinking disabledと強制ツール選択のtool_choice any・toolはHTTP 400を返す。応答の最初のブロックが常にテキストとも限らない。