SIS让离策略token回到on-policy
burny_tech · x · 2026-07-12
- 这篇论文提出 SIS，目标是解决 LLM 强化学习里“复用 rollout 但策略已变化”的问题。
- 核心做法不是只对离策略比率做裁剪，而是逐个 token 进行检测：如果当前模型仍会采样出这个 token，就把它当作 on-policy；否则再走常规修正。
- 作者称，这样可以把一部分原本被视为离策略的 token 重新纳入 on-policy 训练。
- 把 SIS 接到 GRPO、DAPO、GSPO 后，在数学任务和 agentic search 上都有改进，并且在陈旧 rollout 和 MoE 不匹配 场景下训练更稳定。
所属事件:SIS 以逐 token 校正缓解离策略训练(2 条相关)→
「研究」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27
- Finch 1 发布：用 50+ 种传感器影像训练的通用地理空间基础模型 — Scobleizer · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27