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
- Chelsea Finn：机器人 RL 的瓶颈是物理 rollout 成本 — ycombinator · 2026-07-27
- ICML 2026 口头论文复现分数重算后仍偏中等 — profjamesevans · 2026-07-27
- 长周期智能体最终需要不可变事件日志 — sebpaquet · 2026-07-27
- Seed IQ 在 Doom II 里通关，引出 ARC-AGI 之后的评测问题 — Fit_Transition8824 · 2026-07-27
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27