异步强化学习不适合GRPO
ziv_ravid · x · 2026-07-11
这条帖子转述了一篇来自清华/Z.AI 的新论文，主题是面向 agent 的异步强化学习。
核心观点是：
- 对于 GRPO，异步训练不太合适，因为一个 group 需要等最慢的 rollout 完成。
- 当轨迹长度达到 128k token 级别的 agent 任务时，这种等待会非常久，导致数据在训练前就“过期”。
- 帖子还提到，GLM-5.2 的发布里曾说明他们使用的是 critic，而不是 GRPO。
所属事件:GLM团队提出SAO算法，突破智能体异步强化学习瓶颈(15 条相关)→
「研究」频道最新
- FlexGlue:稀疏到稠密特征匹配，速度与精度兼得并可甄别误配图像对 — zhenjun_zhao · 2026-10-27
- Mundo:几张照片重建可探索的世界模型,8 卡 GPU 也只有 1.5 FPS — mark_k · 2026-10-27
- INRIA 研究员将于 ENS 报告「作为实验科学的数学」:LLM 参与数学研究 — marc_lelarge · 2026-10-27
- 美国能源部 Genesis Mission 二期落地:AI 进军粒子加速器与稀有同位素分离 — prescott · 2026-10-27
- Tenstorrent 芯片跑通蛋白质生成模型,宣称无 HBM 短缺之忧 — gajesh · 2026-10-27
- Deepity：手写 CUDA/C++ 预测编码库 — Important-Home4431 · 2026-10-27