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
- 做了一年的个人 agent，最后输给一天新的版本 — Antony_Richards · 2026-07-23
- Inkling 在 AA-Briefcase 得 836 分，落后顶级开源模型 — ArtificialAnlys · 2026-07-23
- 机器人论文称 VLA 和 world model 还不够 — hbouammar · 2026-07-23
- Google Research：让量子计算机从错误中学习 — donutloop · 2026-07-23
- Derya Unutmaz：AI 正把生物医学研究压缩到几天 — DeryaTR_ · 2026-07-23
- 应用数学主导AI浪潮，为何梯度下降依然有效？ — fkasummer · 2026-07-23