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
- 医疗评测：Kimi K3 平 GPT-6，但疑难病例开源落后 17 个百分点 — keunwoochoi · 2026-10-27
- 健康专项榜单洗牌：综合第 9 的开源模型跃居 Health Index 第一 — keunwoochoi · 2026-10-27
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- Goodfire 投入 1000 万美元启动 AI 版「人类基因组计划」破解可解释性 — CatAstro_Piyush · 2026-10-27
- π0.5 实验：演示数从 10 增至 438，放球入碗成功率 7%→83% — stingning · 2026-10-27
- HandsOn 灵巧操作平台开源:1.8 万人类演示数据集全公开 — stingning · 2026-10-27