离策略训练的硬边界处理
ziv_ravid · x · 2026-07-11
这段在讲一个 off-policy 训练处理方案：他们直接丢掉旧 policy，用“当前 policy / rollout engine 的 logprobs”作为重要性比值；凡是超出双侧硬边界的样本，直接在梯度里被 mask 掉，而不是做普通 clipping。
核心意思是：在 agent 训练里，他们用更硬的筛选方式来控制离策略误差，而不是依赖温和裁剪。
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
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 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
- 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