Projekt Flame zveřejnil technický rozbor tréninku agenta Search-R1, který se učí rozhodovat, kdy vyhledat informace a kdy už odpovědět. Ukázka propojuje generování ve vLLM, trénování v PyTorchi a lokální vyhledávání BM25 prostřednictvím dlouho běžících Python služeb. Flame obstarává přidělování zdrojů, společné spouštění trénovacích replik a přenos sdílených objektů.
V popsaném běhu se Qwen2.5-3B-Instruct během stovky kroků zlepšil ze 14,5 na 47 procent přesných odpovědí na dvou stech oddělených otázkách. Výpočet používal čtrnáct GPU pro generování a dvě pro trénink. Autoři výslovně upozorňují na malý hodnoticí vzorek, jediný běh a účelově sestavený vyhledávací korpus. Výsledky proto nelze přímo srovnávat s publikovanými benchmarky Search-R1 ani vydávat za obecný výkon této infrastruktury.
