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
- EdgeRock 开源：256K 上下文 KV cache 仅 72 MiB，比 Qwen3.5-4B 小 99.1% — alifcoder · 2026-10-27
- EdgeRock-4B KV cache 256K 上下文仅 72 MiB,比 Qwen3.5-4B 小 99.1% — alifcoder · 2026-10-27
- TRL 上线 Score Centering：直击 RL 训练不稳定的根因 — lvwerra · 2026-10-27
- Latent-Foresight:让世界模型学着预判自己的未来 — abursuc · 2026-10-27
- 英国 AISI 发文：现有手段不足以防生物 AI 工具被滥用 — davidmanheim · 2026-10-27
- CMU 发布 XYBench:LLM 只答字面问题,常无视用户真实需求 — valentina__py · 2026-10-27