Hugging FaceのTRL（Transformers Reinforcement Learning）がRapidFire AIと正式統合され、大規模言語モデル（LLM）のファインチューニングやポストトレーニング実験の速度が最大20倍以上に向上した。この統合により、開発者はコード変更を最小限に抑えながら、複数のファインチューニング設定を同時に実行でき、GPUリソースの無駄を抑えることが可能になる。特に、1台のGPUでも複数の設定を並列で実行できる「アダプティブ・チャンクベーススケジューリング」が特徴で、内部ベンチマークでは従来の逐次実行に比べて16～24倍の実験スループットを達成している。 RapidFire AIは、開発者のIDE、メトリクスダッシュボード、マルチGPU実行バックエンドの間でリアルタイムで連携する仕組みを備えている。実行中の実験に対して、ダッシュボードから「停止」「再開」「削除」「クローン・変更」などの操作が可能で、性能が低い設定は早期に中止し、優れた設定にはハイパーパラメータを調整して「ウォームスタート」で強化できる。これにより、リソースの無駄を回避し、効率的なモデル最適化が実現する。 主な特徴として、TRLのSFT/DPO/GRPO設定を「RFSFTConfig」「RFDPOConfig」「RFGRPOConfig」などに置き換えるだけで利用可能。また、データセットをチャンクに分割し、各設定がチャンク単位で交互に処理されるため、早期に評価指標の比較が可能になり、GPUの利用率は95％以上に達する。たとえば、2GPU環境で4つの設定を並列実行した場合、従来の逐次実行（15分）と比べ、5分で比較判断が可能となり、実験スピードは3倍以上に加速する。 Hugging FaceのTRLユーザーは、pip install rapidfireaiで1分以内に導入可能。ダッシュボード（http://localhost:3000）で実験の状況をリアルタイムで監視・制御できる。実際にTinyLlamaやLlama-3.2-1Bモデルを用いたベンチマークでは、4設定1GPUで16倍、8設定1GPUで20倍の高速化が確認された。 RapidFire AIは、AI開発の「実験サイクル」を根本から改善するツールとして、今後も開発者コミュニティのフィードバックに応じて進化していく。