En tutorial bygger en ende-til-ende GRPO-træningsworkflow, hvor Gemma-3 løser GSM8K-opgaver via Tunix, JAX, LoRA og belønninger for format og korrekthed. Kilden gennemgår installation, Hugging Face-login med Gemma-licens, promptstruktur med ræsonnement og tal-svar samt letvægtsfinetuning med LoRA. Kilden deler ikke kvantitative før/efter-metrikker eller detaljer om batchstørrelser og runtime.

DeepReinforce lancerer Ornith‑1.0, en åben modelfamilie til agentisk kodning under MIT‑licens. Ikke kun størrelserne fra 9B til 397B MoE er nye; pointen er arkitekturen: modellen lærer sin egen RL‑harness under træning. Det kan gøre kodeagenter mere adaptive – og mere drilske. Her er, hvad der er nyt, hvad der mangler, og hvad danske teams konkret bør tjekke før integration.

Prime Intellect melder med prime-rl 0.6.0, at de vil løfte agentisk RL til trillion-parameter MoE-skala, med et GLM-5.1-eksempel på 131k tokens, under fem minutters step-tid og 28 H200-noder. Her er hvad der sandsynligvis holder vand, hvor tallene bør tjekkes — og hvad det kan betyde for automatisering af komplekse udviklingsopgaver i praksis.

Harness-1 adskiller beslutningspolitikken fra hukommelse og bogføring via en stateful søgeharness. Forskerne fra UIUC, UC Berkeley og Chroma frigiver både kode og vægte. For virksomheder betyder det mere sporbarhed, mindre prompt-rod – og nye krav til drift, metadata og audit.

Sakana AI lancerer en 7B‑orkestreringsmodel trænet med reinforcement learning, som ifølge VentureBeat og et arXiv‑preprint kan dirigere GPT‑5, Claude Sonnet 4 og Gemini 2.5 Pro. For danske teams kan det betyde billigere, mere robuste AI‑workflows — men også nye krav til overvågning, governance, test og fail‑safes.

Google DeepMind-forskere beskrives i en ny omtale som afsender på et studie, hvor et LLM-drevet system ikke bare spiller bedre, men ændrer selve algoritmerne bag strategiske beslutninger. Det lyder måske som endnu en modelhistorie. Det er det ikke helt.

Google AI har lanceret Supervised Reinforcement Learning (SRL), en ny metode der gør små sprogmodeller i stand til at løse komplekse opgaver. SRL kombinerer styrkerne fra supervised og reinforcement learning, og viser markante forbedringer på både matematiske og software engineering benchmarks. Metoden kan forkorte time-to-market og reducere omkostninger, men kræver adgang til ekspertdemonstrationer.

Microsofts Agent Lightning gør det muligt at træne AI-agenter med Reinforcement Learning uden at omskrive kode. Frameworket integrerer nemt med eksisterende stacks, sikrer datasikkerhed og giver virksomheder hurtigere time-to-market. Snilld kan hjælpe med integration og udnyttelse af de nye muligheder.

MIT har lanceret et nyt AI-værktøj, der kan generere realistiske 3D-scener til robottræning og simulering. Teknologien åbner store muligheder for danske kommuner, regioner og softwarevirksomheder, især inden for sundhed, planlægning og digital innovation. Artiklen dykker ned i teknologien, dens anvendelser og hvordan Snilld kan hjælpe med at udnytte potentialet.

Biomni-R0 sætter nye standarder for AI i biomedicinsk forskning. Med avanceret reinforcement learning og integrationsevne kan modellen løse komplekse opgaver, som tidligere krævede ekspertviden. Artiklen gennemgår teknologi, præstationer, integration og forretningsperspektiver – og forklarer, hvorfor det er relevant for danske SMV’er og thoughtleaders i sundhedssektoren.