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
- 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