#オープンソースモデルのファインチューニング

モデルが"自力で絵を直す"ことを覚えた：強化学習を走らせ切る実験メモ

あるデザイナーがQwen 3.5 35Bを使って"コードで絵を描く"エージェントを訓練。九信号の報酬関数が0.65で頭打ちになり、冗長な指標を削って比較採点に切り替えたところ、モデルが1/7のコード量で旧来の上限を突破した。