SuperMimic 单 GPU 3 小时训练胜 128 GPU 七天基线
SuperMimic 在单张 GPU 上仅用 3 小时训练出超越基线（128 GPU 训练 7 天）的 SoTA 人形追踪策略。博主 daibondalpha 于 11 月 10 日发布系列解析，核心结论是：效率来源不是更多算力，而是可微规划（differentiable planning）——通过学习到的动力学模型沿想象轨迹做 BPTT，替代主流的 PPO 路线。这一结果因训练成本骤降数个量级而值得关注。
已确认
- 训练成绩：单 GPU、3 小时，超越需 128 GPU 训练 7 天的基线策略（m1、m4）。
- 核心方法：可微规划，通过学习到的动力学模型做 BPTT，沿想象轨迹反传梯度（m4）。
- 效率量化：pathwise 梯度信噪比比 score-function 梯度高约 30 倍，因此在同类模型 rollout 上所需想象步数比 PPO 少约 64 倍；terminal critic 等组件亦被提及（m3）。
- BPTT 复活的关键：daibondalpha 指出 DreamerV2/V3 转向 REINFORCE 式梯度、机器人学界收敛到 PPO，学界曾普遍放弃 BPTT 路线；而真正使 BPTT 现在可行的变量是控制接口——50 Hz 的 PD 位置控制让梯度不再爆炸（m2、m5）。
为什么重要
- 该工作表明训练顶级人形追踪策略的成本可从百卡一周降至单卡数小时，对资源有限的研究团队意义重大。
- 解析提出的观点——控制接口频率（50 Hz PD 位置控制）是梯度稳定性的决定因素——为「BPTT 路线为何曾被弃、如今为何可行」给出了区别于「算法本身退步」叙事的解释，可能影响后续可微规划与人形控制研究的方向选择。
2026-11-10 ~ 2026-11-10 · 5 条相关
一手来源
- SuperMimic 单 GPU 3 小时训练人形追踪，胜 128 GPU 七天 SoTA — daibond_alpha ·
- SuperMimic 效率来源：pathwise 梯度信噪比高 30 倍 — daibond_alpha ·
- SuperMimic 解析：50 Hz PD 控制让 BPTT 梯度不再爆炸 — daibond_alpha ·
- SuperMimic 单 GPU 3 小时训练超 128 GPU 7 天 SoTA — daibond_alpha · 2026-11-10
- 【源头】SuperMimic 解析：50 Hz PD 控制让 BPTT 梯度不再爆炸 — daibond_alpha · 2026-11-10
- 【源头】SuperMimic 效率来源：pathwise 梯度信噪比高 30 倍 — daibond_alpha · 2026-11-10
- BPTT 为何被弃？控制接口频率才是梯度爆炸的关键 — daibond_alpha · 2026-11-10
另有 1 条近重复转述:daibond_alpha