Renforcement learning (RL)

Entraînement par essai et récompense : l'agent agit dans un environnement et reçoit un signal (reward) pour chaque résultat. Confronté au fine-tuning sur des exemples écrits à la main, le RL apprend à partir d'interactions complètes — et excelle lorsqu'il existe une tâche vérifiable, qui dit d'elle-même si elle a réussi (ex. la calculatrice affiche le résultat). C'est l'étape de post-training qui a mené OpenMobile-2 de 31,9 à 59,6 sur SPA-Bench.