腾讯 Hunyuan 提出 SAT 稳定异步强化学习
Tencent-Hunyuan · hf · 2026-07-22
腾讯 Hunyuan 发布了一篇关于异步强化学习的技术报告，提出 SAT（Staleness-Adaptive Trust Region），目标是缓解 rollout 陈旧带来的训练不稳定。
方法要点
- 用 detach 后的 sampled log-ratio 作为陈旧度的近似指标。
- 通过基于 staleness 的核函数缩放，识别 batch 里 mismatch 最严重的尾部样本。
- 只收缩 PPO 区间里被判断为高风险的一侧，在尽量保持普通 token 行为不变的同时，压住过激更新。
实验结果
- 系统基于 Qwen3-30B-A3B-Base，推理用 SGLang，训练用 Megatron。
- 在异步设置下，SAT-GSPO w/ R3 取得最好结果：AIME24 avg@8 在 lag 1 为 35.83，lag 8 为 34.79。
- 作者认为，adaptive clipping 和 routing replay 结合起来，能更稳地处理异步 RL 中不一致的陈旧度分布。
所属事件:腾讯混元推 SAT 稳定异步强化学习训练(2 条相关)→
「研究」频道最新
- MaP-WAM 用记忆驱动规划攻克非马尔可夫机器人操作难题 — Sizhe Zhao · 2026-09-11
- 负向自蒸馏：让模型靠避开错误推理学会更好的推理 — Rongcan Pei · 2026-09-11
- NBER 经济学论文约 24% 含 AI 生成文本，2025 年起激增 — JeremyNguyenPhD · 2026-09-11
- DeepMind 等论文：设计文档当真相源，代码改为可抛弃产物 — Roger_M_Taylor · 2026-09-11
- GameWorld 获 ECCV 2026 多模态数字代理研讨会最佳论文亚军 — MikeShou1 · 2026-09-11
- Yann LeCun 在 ECCV 直播开讲世界模型 — Weak_Assistance_5261 · 2026-09-11