Kobie Crawford — developer advocate в Snorkel AI, где занимается оценкой агентов, обучением с подкреплением и данными для обучения. До Snorkel AI он работал в MosaicML, а после того как Databricks поглотил эту компанию, вёл темы custom models, MLflow и Databricks Agent Framework в Mosaic AI. В исследовании совместно с UC Berkeley он показал, что модель с 4 млрд параметров, обученная методом GRPO во фреймворке rLLM, научилась дисциплинированному использованию инструментов и подняла точность на многотабличных вопросах FinQA с 13,9% до 26,6%. Он также писал о бенчмарках Snorkel Agentic Coding и Terminal-Bench 2.0. Его доклады посвящены тому, как качество задач и оценок влияет на результаты обучения агентов и почему поведение модели иногда важнее её размера.

Темы докладов: Evals и бенчмарки и Обучение, RL, дообучение.

AI Engineer Europe 20262