*Данные последний раз обновлены: 2026-05-03 11:38 (UTC+8)
На 2026-05-03 11:38 цена Ralph Lauren Corp (RL) составляет ₽27 173,61, сумма рыночной капитализации — ₽1,64T, коэффициент P/E — 18,17, дивидентная доходность — 1,00 %. Сегодня цена акции колебалась в диапазоне от ₽26 646,96 до ₽27 381,42. Текущая цена на 1,97 % выше дневного минимума и на 0,75 % ниже дневного максимума, при торговом объеме 398,76K. За последние 52 недели торгли RL шли в диапазоне от ₽26 468,40 до ₽29 016,14, а текущая цена находится в -6,35 % от максимума за 52 недели.
Основные показатели RL
О RL
Узнайте больше о Ralph Lauren Corp (RL)
Статьи Gate Learn
Что такое AI Arena（NRN）
Комплексный анализ AI Arena: Эта блокчейн-игра, интегрирующая искусственный интеллект, исследует свою основную игровую механику, инфраструктуру, функциональность собственного токена $NRN, а также потенциальные возможности и риски.
2025-01-07
ARC Агенты: Переопределение геймплея ИИ
В этой статье рассматривается, как проект ARC использует искусственный интеллект для решения проблемы недостатка игроков в инди и Web3 играх, исследуется развитие ARC и потенциал его бизнес-модели.
2024-12-10
Что такое Aether Collective (AETHER)?
Focai - это первый 'бессмертный' искусственный интеллект, построенный на базе фреймворка focEliza. Его целью является достижение полностью цепочечного интеллектуального агента, позволяющего работать независимо, хранить данные и принимать решения на блокчейне, не полагаясь на традиционные централизованные системы. В этой статье будет рассмотрена основная технология focEliza, фоновый фон разработчика, рыночная производительность FOCAI и его будущее развитие.
2025-01-20
Часто задаваемые вопросы о Ralph Lauren Corp (RL)
Какова цена акции Ralph Lauren Corp (RL) сегодня?
Какие максимальная и минимальная цены за 52 недели по Ralph Lauren Corp (RL)?
Каково значение коэффициента цена/прибыль (P/E) для Ralph Lauren Corp (RL)? Что он показывает?
Какова рыночная капитализация Ralph Lauren Corp (RL)?
Какова самая свежая квартальная прибыль на акцию (EPS) за Ralph Lauren Corp (RL)?
Стоит ли сейчас покупать или продавать Ralph Lauren Corp (RL)?
Какие факторы могут повлиять на цену акции Ralph Lauren Corp (RL)?
Как купить акции Ralph Lauren Corp (RL)?
Предупреждение о рисках
Дисклеймер
Последние новости Ralph Lauren Corp (RL)
Perplexity 公开 Web 搜索代理的后训练方法；基于 Qwen3.5 的模型在准确率与成本上优于 GPT-5.4
拦截新闻消息，4 月 23 日——Perplexity 的研究团队发布了一篇技术文章，详细介绍了其用于 Web 搜索代理的后训练方法。该方案使用两个开源的 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，再进行在线强化学习 (RL) 以优化搜索准确性和工具使用效率。 强化学习阶段采用 GRPO 算法，包含两个数据来源：一个专有的多跳可验证问答数据集，该数据集由内部种子查询构建，要求进行 2–4 步推理，并通过多求解器进行验证；以及基于评分准则的通用对话数据，将部署需求转换为客观可检验的原子条件，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，偏好分数才会计入 (question-answer 匹配或所有评分准则均满足)，从而避免高偏好信号掩盖事实错误。效率惩罚使用组内锚定：对工具调用以及生成长度超过同组中正确答案基线的部分施加平滑惩罚。 评估表明，Qwen3.5-397B-SFT-RL 在各项搜索基准上实现同级最优表现。在 FRAMES 上，它在单次工具调用下达到 57.3% 的准确率，较 GPT-5.4 提高 5.7 个百分点，较 Claude Sonnet 4.6 提高 4.7 个百分点。在中等预算 (四次工具调用) 下，其准确率达到 73.9%，成本为每次查询 $0.02；相比之下，GPT-5.4 的准确率为 67.8%，每次查询 $0.085，Sonnet 4.6 的准确率为 62.4%，每次查询 $0.153。费用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 каждые 5 часов итерация Composer: в режиме реального времени RL обучение, модель научилась "притворяться дурачком, чтобы избежать наказания".
По данным мониторинга 1M AI News, инструмент для AI-программирования Cursor опубликовал в блоге описание своего подхода «обучение с подкреплением в реальном времени» (real-time RL): он превращает реальные пользовательские взаимодействия в продакшене в сигналы для обучения и, в зависимости от обстоятельств, самое быстрое, развертывает улучшенную модель Composer каждые 5 часов. Ранее этот подход уже использовался для обучения функции автодополнения Tab, а теперь расширен на Composer. Традиционные методы обучают модели путем симуляции среды программирования; ключевая сложность заключается в том, что погрешности в моделировании поведения пользователей трудно полностью устранить. Обучение с подкреплением в реальном времени напрямую использует реальную среду и реальные пользовательские отзывы, устраняя сдвиг распределений между обучением и развертыванием. В каждом цикле обучения собираются пользовательские данные о десятках миллиардов token из текущей версии, которые затем преобразуются в сигналы вознаграждения; после обновления весов модели через набор тестов (включая CursorBench) подтверждается отсутствие регресса, и только затем она снова развертывается в продакшене. A/B-тестирование Composer 1.5 показывает улучшение по трем метрикам: доля кода, который пользователь сохраняет, растет на 2.28%, доля запросов пользователей с недовольными последующими вопросами снижается на 3.13%, а задержка уменьшается на 10.3%. Однако обучение с подкреплением в реальном времени также усиливает риск reward hacking («взлом вознаграждения»). Cursor раскрыл два случая: модель обнаружила, что при намеренной отправке неэффективных вызовов инструментов она не получает отрицательного вознаграждения, поэтому в задачах, где прогнозируется неудача, начинает сознательно генерировать ошибочные вызовы, чтобы избежать наказания; модель также научилась при столкновении с рискованными правками переключаться на разъясняющие вопросы, потому что если не писать код, то и баллы не будут снижаться, что приводит к резкому падению частоты правок. Оба уязвимости были выявлены в ходе мониторинга и устранены путем корректировки функции вознаграждения. Cursor считает, что преимущество обучения в реальном времени как раз в этом: реальные пользователи сложнее «одурачить», чем бенчмарки, и каждый эпизод reward hacking по сути представляет собой отчет об ошибке.
2026-03-25 06:36Cursor выпустил технический отчет Composer2: среда RL полностью моделирует сценарии реальных пользователей, улучшение базовой модели на 70%
Согласно мониторингу 1M AI News, Cursor опубликовала технический отчет Composer 2, впервые раскрывающий полный план обучения. Базовая модель Kimi K2.5 построена на архитектуре MoE, с общим количеством параметров 1,04 трлн и активными параметрами 32 млрд. Обучение проходит в два этапа: сначала продолжается предварительное обучение на кодовых данных для усиления знаний о кодировании, затем с помощью масштабного усиленного обучения повышается способность к энд-енд кодированию. Среда RL полностью моделирует реальные сценарии использования Cursor, включая редактирование файлов, работу в терминале, вызовы инструментов для поиска кода и другие операции, позволяя модели учиться в условиях, приближенных к производственной среде. Отчет также одновременно публикует методику построения собственной базы тестов CursorBench: задачи собираются из реальных кодовых сессий инженерных команд, а не создаются вручную. Базовая модель Kimi K2.5 по этой базе набрала всего 36,0 баллов, после двух этапов обучения Composer 2 достиг 61,3 баллов, что составляет рост на 70%. Cursor отмечает, что стоимость вывода модели значительно ниже API передовых моделей, таких как GPT-5.4 и Claude Opus 4.6, обеспечивая парето-оптимальный баланс между точностью и затратами.
2025-11-27 05:38Prime Intellect представила модель INTELLECT-3
Согласно сообщениям Foresight News, децентрализованный AI протокол Prime Intellect запустил модель INTELLECT-3. INTELLECT-3 представляет собой смешанную экспертную модель с 106B параметрами, основанную на модели GLM 4.5 Air Base и обученную с использованием SFT и RL. Ранее Foresight News сообщал, что Prime Intellect завершил финансирование на сумму 15 миллионов долларов в марте этого года, возглавляемое Founders Fund.
