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
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11
- 智利学者：AI 反馈规模化是医学教育可持续的关键 — julianvarascom · 2026-09-11
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11