SAT 只对异步强化学习里的陈旧 token 收紧 PPO 裁剪
heghbalz · x · 2026-07-23
研究者提出 SAT（Staleness-Adaptive Trust Regions），用于稳定异步强化学习。
论文的核心问题是：异步 rollout 能提升吞吐，但也会带来 staleness（策略陈旧）——有些 token 由旧策略采样，却在新策略上优化。为此，SAT 不再对所有 token 一视同仁地使用同一套 PPO clipping，而是：
- 根据每个 token 的实际 log-ratio 评估“偏移程度”
- 找出 batch 里 staleness 最严重的尾部样本
- 只对会把这些样本进一步推离 1 的更新收紧 clipping
普通 token 仍沿用基线规则，而“拉回”方向的更新则保持开放。
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
- 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
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27