新论文指出 LLM 训练里 KL 梯度估计的两类常见错误
kastnerkyle · x · 2026-07-26
这篇论文指出了 RL 训练里 KL divergence 梯度估计 的几个实现坑。
主要有两类问题：
- 一些实现把 KL 估计值当作 loss 直接反传，但这样得到的并不是想要的 KL 梯度。
- 另一些实现没有处理估计过程的序列性，结果最多只得到部分梯度。
作者用表格实验和 LLM 实验展示了这些错误实现的影响，并给出正确做法。帖子还指出，这些坑可能会影响一些开源 RLHF 工程栈，比如 TRL、Open Instruct，以及 GRPO 等方法的伪代码实现。
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
- 新加坡国立大学做出无电子无外部供能软力传感器 — CurieuxExplorer · 2026-07-27
- 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