Critic 训练细节与稳定性
ziv_ravid · x · 2026-07-11
这段在讲一个 critic 的训练实现细节：
- 为了让 critic 可训练，作者们冻结 attention 层，只更新 MoE projections，因为梯度爆炸主要来自 attention。
- critic 每个 policy step 更新两次。
- 对于多轮轨迹，他们在 GAE 里跳过 observation tokens。
整体是在说明 agent/RL 训练里，怎样处理价值模型和轨迹上的数值不稳定问题。
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
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 果蝇大脑 LLM 权重上架 Hugging Face,兼容 transformers 可直接跑 — ngxson · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11
- 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