https://yichuan-w.github.io/blog/GDN-train-inference-mismatch-asyncRL/

https://github.com/NeoXider/CoreAI Сделал Фреймворк для агентных систем, в том числе для игр, рантайм изменения, скилы, тулколы.

Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning https://arxiv.org/abs/2607.07508 https://www.alphaxiv.org/ru/overview/2607.07508

небольшой апдейт. Есть спец сборка llama для архитектуры Pascal - так вот, производительность Qwen3 4B - около 50 т/с.