バイトダンス×清華大学がDAPOをOSS化 ― 長尺CoTを強化学習で回すための工学的レシピ
バイトのSeedチームと清華AIRが共同で公開したDAPOは、長尺Chain-of-ThoughtのRL学習基盤を丸ごと切り開いたフレームワークだ。verlを土台に、Decoupled ClipとDynamic Samplingで長CoT推論の学習を実用化する。
カーネギー国際平和財団の最新レポートで、NeurIPSなど主要学会の論文著者を母国別に見ると、中国が米国を初めて逆転した。だがこの数字は「米国の衰退」か「中国の台頭」か——本当の変化は中間層に起きている。
バイトのSeedチームと清華AIRが共同で公開したDAPOは、長尺Chain-of-ThoughtのRL学習基盤を丸ごと切り開いたフレームワークだ。verlを土台に、Decoupled ClipとDynamic Samplingで長CoT推論の学習を実用化する。
AlibabaのQwen Image 2.1がHacker Newsのフロントページに登場。143件のコメントが語るのはパラメータではなく、既存のComfyUIワークフローに組み込めるかどうかという実務的な問いだ。
Alibabaが「150疾患検出」をうたう医療AIモデルをオープンソース公開。Hacker Newsでの盛り上がりは23ポイント・コメント4件と低調で、モデル性能よりも「オープンソースから実用化に至るまでの見えない壁」が論点となっている。
NVIDIAの最新論文が、2つのLLM間でテキストを介さずKVキャッシュを直接交換する手法を提案した。遅延を10分の1に削減する可能性があり、Agentパイプラインの設計思想を根底から覆すかもしれない。
PrismML が公開した Bonsai 2 27B は、243B パラメータのベースモデルを 27B まで圧縮しつつ能力の 99% を維持したと主張する。エッジ推論のコスト構造を塗り替える可能性を秘める一方、現時点で論文も重みも公開されておらず、検証が急がれる。
RLHF フレームワーク OpenRLHF が Star 1 万に迫る。Ray + vLLM を基盤に PPO / DAPO / GRPO・VLM Agentic RL を実装し、4 モデルを分散配置して VRAM を分離する設計が特徴。実測値から見る導入の判断指針をまとめる。
Hugo Vergnes氏が約1000ドルの予算で3.8BパラメータのLLM「little-lm-3-8b」をゼロから訓練し、COREスコア0.384を達成した。コスト削減そのものよりも、小規模モデルの到達点を数値で示したことが注目に値する。
Alibaba 系の開発者 wsxiaoys が、GPT-5.5 Pro の推論トレースを Qwen 3.8 のプロンプト先頭に注入し、出力スタイルをほぼ一致させる手法を公開。ファインチューニングも蒸留も不要で、Hacker News で90点・35コメントを獲得しフロントページに躍り出た。
GitHub が公開した Project HydraFusion は、パラメータ増強ではなく複数モデルのオーケストレーションで Copilot に frontier 級の生成品質を実現した。国内のコーディング支援開発チームにとって示唆に富む内容である。
Hugging Faceが公開したオープンソースモデル最新レポートを精読。閉陣営が触れようとしない数値、中国系モデルの台頭、開発者がベンチマークに飽きた理由まで整理する。
DRAFT:下書きに重大な事実誤認が含まれており、一次資料の確認後に書き直す必要あり。