Prime Intellect 发布 IPO：修复异步 RL 尾部误判

Prime Intellect 提出异步强化学习新方法 INTELLECT Policy Optimization（IPO），推出新的 token 掩码方案，解决异步 RL 中 trainer 与推理引擎对同一 token 概率不一致导致的尾部误判问题。该方法改进了此前的 IcePop 方案，修复其在 SWE RL 场景下的崩溃问题，并在 GLM 等困难设置中验证有效。

2026-10-20 ~ 2026-10-20 · 2 条相关

• 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