112M-parametrový dekodér vyškolený od začátku v přibližně 30hodinovém nástěnném čase na jediném počítači Intel Arc Pro B70 (32 GB). Potrubí: předškolení na kód, matematiku a angličtinu; destilace od učitele Qwen3.8-27B; spusťte GRPO v pískovišti s nástroji „bash“, „read“, „edit“, „write“ a „submit“. Architektura si půjčuje z DeepSeek-V4.1-Flash: malá sdílená mezipaměť klíč/hodnota a paměť Engram n-gram.
Vše je zde: závaží (základna a RL), kompletní tréninkový kód a upřímný popis toho, co fungovalo a co ne.
Vygeneruje malý falešný projekt (konfigurace, kód, testy, dokumenty, protokoly, CSV) v sandboxovém adresáři, položí modelce otázku a vytiskne každou myšlenku, volání nástroje a výsledek. Běží na CPU, Intel XPU nebo CUDA. Příkazy shellu modelu běží uvnitř bubblewrap ↗ (žádná síť, systém pouze pro čtení, pouze zapisovatelný dočasný pracovní prostor), takže demo potřebuje Linux s nainstalovaným bwrap. Vlastní architektura žije v `code/tiny_ag
1. RL leští, nepřidává nové dovednosti.RL zvedl vycvičené úkoly z 86% na ~91% a poté je nasytil. Prostřednictvím školení pod dohledem a 300 kroků RL zůstaly podržené druhy úkolů blízko 0%. 2.Pevná šablona hodnotí plošší malé modely.Přeformulování otázek stojí 25–40 bodů. - Obyčejný RL pro to nic neudělal: 51% → 54% na čerstvou formulaci. - Školení o přeformulovaných ukázkách, pak RL s přeformulovanými otázkami, získalo 51% → 74%. 3.**Model se naučil recepty, ne uvažování
