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
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11
- 智利学者：AI 反馈规模化是医学教育可持续的关键 — julianvarascom · 2026-09-11
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11