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
- Qwen3.8-Flash-Next 开源 180B 权重，被视为后门研究理想样本 — jd_pressman · 2026-10-27
- Latent-Foresight:让世界模型学着预判自己的未来 — abursuc · 2026-10-27
- 英国 AISI 发文：现有手段不足以防生物 AI 工具被滥用 — davidmanheim · 2026-10-27
- CMU 发布 XYBench:LLM 只答字面问题,常无视用户真实需求 — valentina__py · 2026-10-27
- arXiv 前主席提示:投稿主分类选错,论文几乎必被搁置 — tdietterich · 2026-10-27
- arXiv 积压超 4000 篇论文被搁置，版主致歉并给出避坑建议 — tdietterich · 2026-10-27