Prime Intellect 擴展 PRIME-RL 支援多代理系統，引入 Agent 與 Env 抽象層並支援自我對弈

Prime Intellect 宣布其強化學習堆疊 PRIME-RL 正式擴展至多代理系統（Multi-Agent Systems），允許開發者編寫代理間的任意互動、選擇學習角色，並在完整的互動過程中分配獎勵。 此次更新基於先前的 verifiers v1 與 prime-rl，引入兩大核心抽象層：`Agent` 負責管理單一代理的生命週期，接收任務並產出執行軌跡（Trace）；`Env` 則作為多代理訓練與評估的環境，透過傳入初始任務與預先初始化的代理列表來控制完整的控制流程。 官方展示了多種可實現的互動模式，包含由裁判代理審查程式碼以克服固定評分限制的「代理評審（Agentic Judging）」，以及模擬使用者與助理互動的「User-Sim」。 為解決 LLM 強化學習中的任務稀缺問題，官方實作了「自我對弈（Self-Play）」機制，讓模型協助生成自身的訓練課程。在 Proposer-Solver 變體中，提案者代理負責根據種子主題生成任務，解決者代理負責解答；環境會將提案者的獎勵峰值設定在 50% 的解決率以最大化訓練訊號。為支援此模式中角色感知的信用分配，Prime Intellect 實作了階層式 GRPO（Hierarchical GRPO），確保在不混合角色或問題難度的情況下保留比較集。