Tinker 推出 StableReinforce 缓解离策略 RL 训练崩溃

Tinker 团队发布新方法 StableReinforce（含 alpha 版本），针对离策略（off-policy）强化学习微调中最常见的突然崩溃问题。该方法旨在缓解异步 RL 带来的陈旧度（staleness）或数值不匹配等诱因，使离策略 RL 训练更加稳定。Thinking Machines 方面也介绍了 Tinker 平台上的这一新方法，称其解决了 off-policy RL 训练中的崩溃难题。

2026-10-22 ~ 2026-10-22 · 2 条相关

• Thinking Machines 推出 StableReinforce,解决 off-policy RL 突然崩溃 — LiTianleli · 2026-10-22
• Tinker 推出 StableReinforce：缓解离策略 RL 训练突然崩溃 — simonguozirui · 2026-10-22