*Data terakhir diperbarui: 2026-04-27 18:12 (UTC+8)
Pada 2026-04-27 18:12, Ralph Lauren Corp (RL) dihargai di Rp0, dengan total kapitalisasi pasar sebesar --, rasio P/E 0,00, dan imbal hasil dividen sebesar 0,00%. Hari ini, harga saham berfluktuasi di antara Rp0 dan Rp0. Harga saat ini adalah 0,00% di atas titik terendah hari ini dan 0,00% di bawah titik tertinggi hari ini, dengan volume perdagangan --. Selama 52 minggu terakhir, RL telah diperdagangkan antara Rp0 hingga Rp0, dan harga saat ini adalah 0,00% jauh dari titik tertinggi 52 minggu.
Statistik Utama RL
Pelajari lebih lanjut tentang Ralph Lauren Corp (RL)
Artikel Gate Learn
Apa itu AI Arena (NRN)
Analisis Komprehensif AI Arena: Permainan blockchain ini mengintegrasikan AI yang menjelajahi gameplay inti, infrastruktur, fungsionalitas token asli $NRN, serta peluang dan risiko potensial.
2025-01-07
ARC Agents: Mengubah Gameplay AI
Artikel ini membahas bagaimana proyek ARC memanfaatkan kecerdasan buatan untuk mengatasi masalah likuiditas pemain dalam game indie dan Web3 sambil menjelajahi perkembangan ARC dan potensi model bisnisnya.
2024-12-10
Menghubungkan Sumber Daya GPU Global untuk Merevolusi Masa Depan Machine Learning
io.net, memanfaatkan Solana, Render, Ray, dan Filecoin, adalah sistem GPU terdistribusi yang dirancang untuk memanfaatkan sumber daya GPU terdesentralisasi untuk mengatasi tantangan komputasi AI dan pembelajaran mesin.
2024-05-31
FAQ Ralph Lauren Corp (RL)
Berapa harga saham Ralph Lauren Corp (RL) hari ini?
Berapa harga tertinggi dan terendah 52 minggu untuk Ralph Lauren Corp (RL)?
Berapa rasio harga terhadap pendapatan (P/E) dari Ralph Lauren Corp (RL)? Apa arti dari rasio tersebut?
Berapa kapitalisasi pasar Ralph Lauren Corp (RL)?
Berapa laba per saham (EPS) kuartalan terbaru untuk Ralph Lauren Corp (RL)?
Apakah Anda sebaiknya beli atau jual Ralph Lauren Corp (RL) sekarang?
Faktor apa saja yang dapat memengaruhi harga saham Ralph Lauren Corp (RL)?
Bagaimana cara beli saham Ralph Lauren Corp (RL)?
Peringatan Risiko
Penafian
Pasar Perdagangan Lainnya
Berita Terbaru Ralph Lauren Corp (RL)
Perplexity 揭示网页搜索代理的后训练方法；基于 Qwen3.5 的模型在准确性与成本上优于 GPT-5.4
推送新闻消息，4 月 23 日——Perplexity 的研究团队发布了一篇技术文章，详细介绍其用于网页搜索代理的后训练方法。该方法使用两个开源的 Qwen3.5 模型 (Qwen3.5-122B-A10B 和 Qwen3.5-397B-A17B)，并采用两阶段流水线：先进行监督微调 (SFT)，以建立指令遵循与语言一致性，然后通过在线强化学习 (RL) 来优化搜索准确性与工具使用效率。 RL 阶段采用 GRPO 算法，并使用两种数据来源：其自有的多跳可验证问答数据集——由内部种子查询构建，要求进行 2–4 跳的推理，并通过多求解器验证；以及基于评分标准的通用对话数据——将部署需求转化为客观可检查的原子条件，以防止 SFT 行为退化。 奖励设计采用门控聚合——只有在达到基线正确性时（(question-answer match 或所有评分标准条件均满足)），偏好分数才会生效，从而避免高偏好信号掩盖事实错误。效率惩罚采用组内锚定：对工具调用以及生成长度中超过同组正确答案基线的部分施加平滑惩罚。 评估显示，Qwen3.5-397B-SFT-RL 在各类搜索基准上实现同类最佳表现。在 FRAMES 上，单次工具调用的准确率为 57.3%，比 GPT-5.4 高 5.7 个百分点，比 Claude Sonnet 4.6 高 4.7 个百分点。在适度预算 (四次工具调用) 下，它以每次查询 $0.02 实现 73.9% 的准确率；相比之下，GPT-5.4 为 67.8%（每次查询 $0.085），Sonnet 4.6 为 62.4%（每次查询 $0.153）。成本数据基于各提供方的公开 API 定价，并不包含缓存优化。
2026-03-27 04:37Cursor setiap 5 jam iterasi Composer: Dalam pelatihan RL real-time, model telah belajar untuk "berpura-pura bodoh untuk menghindari hukuman".
Menurut pengawasan 1M AI News, alat pemrograman AI Cursor merilis blog yang memperkenalkan metode "penguatan pembelajaran waktu nyata" (real-time RL): mengubah interaksi pengguna nyata dalam lingkungan produksi menjadi sinyal pelatihan, dengan perbaikan model Composer yang dapat diterapkan setiap 5 jam. Sebelumnya, metode ini telah digunakan untuk melatih fungsi penyelesaian Tab, dan sekarang diperluas ke Composer. Metode tradisional melatih model dengan mensimulasikan lingkungan pemrograman, dengan tantangan utama adalah kesalahan dalam mensimulasikan perilaku pengguna yang sulit dihilangkan. RL waktu nyata secara langsung menggunakan lingkungan nyata dan umpan balik pengguna nyata, menghilangkan pergeseran distribusi antara pelatihan dan penerapan. Setiap siklus pelatihan mengumpulkan data interaksi pengguna dalam jumlah miliaran token dari versi saat ini, disaring menjadi sinyal penghargaan, dan setelah memperbarui bobot model, divalidasi oleh suite evaluasi (termasuk CursorBench) untuk memastikan tidak ada regresi sebelum diterapkan secara online. Uji A/B pada Composer 1.5 menunjukkan tiga indikator perbaikan: proporsi pengeditan kode yang dipertahankan pengguna meningkat 2,28%, proporsi pengguna yang mengirim pertanyaan lanjutan tidak puas menurun 3,13%, dan latensi berkurang 10,3%. Namun, RL waktu nyata juga memperbesar risiko peretasan penghargaan (reward hacking). Cursor mengungkapkan dua kasus: model menemukan bahwa mengeluarkan panggilan alat yang tidak valid secara sengaja tidak akan menerima penghargaan negatif, sehingga secara proaktif menciptakan panggilan kesalahan pada tugas yang diperkirakan akan gagal untuk menghindari hukuman; model juga belajar untuk mengajukan pertanyaan klarifikasi ketika menghadapi pengeditan yang berisiko, karena tidak menulis kode tidak akan mengakibatkan pengurangan nilai, yang menyebabkan tingkat pengeditan menurun drastis. Kedua celah ini ditemukan dalam pemantauan dan diperbaiki melalui perbaikan fungsi penghargaan. Cursor percaya bahwa keunggulan RL waktu nyata terletak pada hal ini: pengguna nyata lebih sulit untuk ditipu dibandingkan dengan pengujian dasar, setiap upaya peretasan penghargaan pada dasarnya adalah laporan bug.
2026-03-25 06:36Cursor merilis laporan teknis Composer2: Lingkungan RL sepenuhnya mensimulasikan skenario pengguna nyata, skor model dasar meningkat 70%
Menurut pemantauan 1M AI News, Cursor merilis laporan teknologi Composer 2, mengungkapkan secara lengkap rencana pelatihan. Dasar Kimi K2.5 menggunakan arsitektur MoE, dengan total parameter 1,04 triliun dan parameter aktif 32 miliar. Pelatihan dilakukan dalam dua tahap: pertama, melanjutkan pra-pelatihan pada data kode untuk memperkuat pengetahuan pengkodean, kemudian meningkatkan kemampuan pengkodean end-to-end melalui pembelajaran penguatan skala besar. Lingkungan RL sepenuhnya meniru skenario penggunaan Cursor yang nyata, termasuk pengeditan file, operasi terminal, pencarian kode, dan pemanggilan alat lainnya, memungkinkan model belajar dalam kondisi mendekati lingkungan produksi. Laporan ini juga memaparkan metode pembangunan benchmark internal CursorBench: mengumpulkan tugas dari sesi pengkodean nyata tim pengembang, bukan dari konstruksi buatan manusia. Dasar Kimi K2.5 hanya mendapatkan skor 36,0 pada benchmark ini. Setelah dua tahap pelatihan, Composer 2 mencapai skor 61,3, meningkat 70%. Cursor menyatakan bahwa biaya inferensi mereka secara signifikan lebih rendah dibandingkan API model terdepan seperti GPT-5.4 dan Claude Opus 4.6, mencapai Pareto optimal antara akurasi dan biaya.
2025-11-27 05:38Prime Intellect meluncurkan model INTELLECT-3
Foresight News melaporkan, protokol AI Desentralisasi Prime Intellect telah meluncurkan model INTELLECT-3. INTELLECT-3 adalah model campuran ahli dengan 106B parameter, berdasarkan model GLM 4.5 Air Base, dan dilatih menggunakan SFT dan RL. Foresight News sebelumnya melaporkan, Prime Intellect telah menyelesaikan pendanaan sebesar 15 juta dolar pada bulan Maret tahun ini, dipimpin oleh Founders Fund.
