SAO 优于 GRPO 变体
ziv_ravid · x · 2026-07-11
这段线程在讲一种新的 RL 训练思路，并给出实验结果：
- SAO 比 GRPO 收敛更慢/更稳？ 原文里更准确地说，是作者指出 GRPO 退化更快，而 SAO 不会，并且 SAO 在 SWE-Bench Verified 和数学基准上优于 GRPO 变体。
- 他们还做了一个实验：当训练中途奖励偏好发生变化时，value model 能比“running-mean 基线”更快追踪到新的偏好。
这条更像是在分享一组关于 agent/RL 训练稳定性与价值模型作用的研究观察。
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
- Exponential 发布 RepoInject 与 BrowserInject 基准，测 prompt injection 防护 — maksym_andr · 2026-10-27
- Redwood 研究:CoT 可控性评测严重欠激发,简单提示优化可提升 2-3 倍 — dfrsrchtwts · 2026-10-27
- 用 BeamZ 逆向设计光学系统跑通 MNIST 分类 — S_Conradi · 2026-10-27
- DeCert 框架无需参考答案评估生成式奖励模型的论证质量 — Guiquan Sun · 2026-10-27
- 新研究：VLM harness 同样是组合泛化器,可拆解复杂图像问题 — a1zhang · 2026-10-27
- 新文呼吁启动 AI 界「人类基因组计划」加速可解释性研究 — ninamiolane · 2026-10-27