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
- Diamandis 详解 AI 癌症导航与 $100 基因测序如何缩小抗癌鸿沟 — PeterDiamandis · 2026-10-27
- EMNLP Oral 论文：免训练 KV 缓存驱逐实现 10 倍内存压缩 — yuz9yuz · 2026-10-27
- ICML 2026立场论文:别把中间token叫「思考轨迹」 — rao2z · 2026-10-27
- forking 收官：probe gap 随上下文频率呈幂律，掩蔽低频 n-gram 可缩小差距 — ZimingLiu11 · 2026-10-27
- 「forking」机制拆解：n-gram 表把 logits 切成互不干扰的子空间 — ZimingLiu11 · 2026-10-27
- 被称最佳 LoRA 讲解视频：从几何直觉讲到任务内在维度 — sophiamyang · 2026-10-27