智谱发布 SAO：异步 RL 稳定训练千步超越 GRPO

智谱团队发布论文 SAO（Single-Rollout Asynchronous Optimization），针对长周期智能体任务中异步强化学习面临的 off-policy 与稳定性挑战，提出单次回滚异步优化方案。实验显示该方法可稳定训练上千步并超越 GRPO。论文还提出，未来的 Scaling Law 可能不再只关注参数规模等传统维度，异步优化或成为新的扩展方向。

2026-08-21 ~ 2026-08-21 · 2 条相关