Prime Intellect 发布 IPO 算法并设为 prime-rl 默认，提升异步 RL 稳定性

Prime Intellect 发布 prime-rl v0.10.0 与 verifiers v0.4.0，推出自研新算法 IPO（INTELLECT Policy Optimization）并将其设为默认。该算法专为异步强化学习训练的稳定性设计，通过新的 token 掩码方案解决 trainer 与推理引擎对同一 token 概率不一致导致的尾部误判问题，修复了 IcePop 在 SWE RL 等困难设置（GLM 相关基准）下的崩溃，同时带来性能改进。

2026-10-20 ~ 2026-10-21 · 4 条相关

• Prime Intellect 发布 prime-rl v0.10.0，新 RL 算法 IPO 成默认 — xeophon · 2026-10-20
• Prime Intellect 发布异步 RL 优化方法 IPO，改进 IcePop 的尾部误判 — xeophon · 2026-10-20
• Prime Intellect 推出 IPO 掩码方案，修复 IcePop 在 SWE RL 中的崩溃 — nrehiew_ · 2026-10-20

另有 1 条近重复转述:misovalko