RL 里的 KL 估计器可能梯度方向错了，k1 甚至趋近零梯度
auto_grad_ · x · 2026-07-25
- 这条帖子在讨论 RL 损失里常见的 KL 估计器，指出它们的梯度可能和设计目标并不一致。
- 作者声称，k3（DeepSeek 系列里用到的那个估计器）虽然能无偏估计反向 KL的数值，但它对应的梯度实际上更像是在估计正向 KL的梯度，也就是“想优化 A，梯度却指向 B”。
- 帖子还指出，原始的 k1 估计器只是裸 log-ratio，其期望的梯度为 0，等于在“优化一个什么也没优化的目标”。
- 配图给出了推导过程，核心结论是：这些 KL 估计器在梯度层面存在方向错配或退化问题。
所属事件:新研究揭示大模型 RL 训练中 KL 估计器存在严重缺陷(4 条相关)→
「研究」频道最新
- 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
- TechCrunch 讨论脑波信号或成 physical AI 训练新钥匙 — TechCrunch AI · 2026-07-27
- NeurIPS 反驳阶段临近：如何写出高质量回复？ — furongh · 2026-07-27
- 一篇名为“在康托空间没人听见你流”的计算机论文 — fkasummer · 2026-07-27
- YC 讨论具身机器人：预训练、记忆和组合行为才是关键 — ycombinator · 2026-07-27