Hugging Face выложили гайд по multi-harness RLi — обучению с подкреплением, при котором модель тренируется сразу внутри нескольких реальных coding-агентов (харнессов), а не одного. Проблема, которую решают: одна и та же модель может набирать 62% в одном агентном харнессе и всего 33% в другом — качество сильно зависит от обвязки, а не только от самой модели.

Чтобы это исправить, модель подключают к прокси, который понимает все основные API-форматы coding-агентов, и обучают сразу через несколько харнессов одновременно, без изменения самих харнессов. В результате модель LFM2.5-2.6B от Liquid AI выросла в точности и стала стабильно хороша во всех протестированных обвязках, а не только в той, где её тренировали.

ВыводПо данным источника 1, прокси понимает четыре API-формата coding-агентов: OpenAI Chat Completions, OpenAI Responses, Anthropic Messages и Gemini; он записывает точные token ids и logprobs, которые семплировал vLLM, и обучение идёт на этих данных

Полный разбор →

Разработчик под ником AlexWortega обучил простую MLPi-надстройку над языковой моделью Qwen 4Bi и выложил результат на Hugging Facei под названием openjev, заявив, что модель работает «буквально как та хайповая модель из твитера». Пост опубликован в канале Love. Death. Transformers. 16 сентября 2026 года.

Спустя пять дней, 21 сентября, автор дополнил проект публичным демо-спейсом с веб-интерфейсом, поблагодарив за помощь других участников комьюнити — так модель стала доступна для тестирования без локального запуска.

Полный разбор →

Hugging Face встроила в свой чат-бот агента ML Interni, который берёт на себя весь процесс машинного обучения — от текстового описания задачи до готовой модели. Инструмент рассчитан на пользователей без профильного опыта в ML: достаточно словами описать идею, а дальше агент действует самостоятельно.

Это снижает порог входа в разработку нейросетей — теперь для обучения модели не нужно самостоятельно искать датасеты, настраивать инфраструктуру и писать код обучения.

Полный разбор →