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
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11
- 智利学者：AI 反馈规模化是医学教育可持续的关键 — julianvarascom · 2026-09-11
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11