Miles v0.1、64基のGB300で動く本番向けRL基盤

要約

Radixark は、フロンティアモデルのポストトレーニング向けフルスタック基盤 Miles v0.1 をオープンソース化した。SGLangベースのロールアウトエンジン、NVIDIA Megatron-LMまたはPyTorch FSDPを選べるTrainer、3種類の重み同期方式を備える。フルパラメータRLに加え、LoRA RL、オンポリシー蒸留、教師ありファインチューニング、真のオンポリシーなロールアウトと学習の整合、拡散モデルに対応する。GLM-5.2 744B-A40Bを使った端末操作コーディングの非同期エージェントRLでは、NVIDIA GB300 64基で最初の30ステップの中央値が263秒だった。