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
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11