从业者讨论百万规模 RL 训练：标准 GRPO 为何不用 critic 模型
stochasticchasm · x · 2026-09-22
stochasticchasm 讨论某公司（在 100 万规模上做 RL）的训练配置：采用非常标准的 GRPO 形式，尚未引入一些团队已开始使用的 critic 模型。他猜测大批量训练足以让梯度噪声更小，因此即便不扩大 group size 也能奏效；同时好奇其中「behaviors」具体指什么——比如优化代码/性能的相对排序——希望公开的环境里会有更多细节。
所属事件:小米 MiMo RL 训练细节引热议：疑似 1M 上下文、30 步即大幅提升(15 条相关)→
「研究」频道最新
- ECIR 2027 设 SAFE-SEARCH 研讨会，聚焦对话式搜索安全，1 月 15 日截稿 — HamedZamani · 2026-11-12
- 仅用正例自举后训练：235B 模型写出与人类难以区分的科学文本 — AllThingsApx · 2026-11-12
- UC Berkeley 开源 RoboSimStudio：AI Agent 无需训练数据编程工业机器人 — berkeley_ai · 2026-11-12
- LAION 发布 14 亿样本音频语料库，CLAP2-L 登顶 MAEB-30 达 53.6% — serrjoa · 2026-11-12
- Allen-Zhu新论文：Canon层随机卷积权重也能提升模型推理 — teortaxesTex · 2026-11-12
- Scale AI 论文：374 次攻击中 36% 成功，模型可在自训练迭代中暗中搞破坏 — Miles_Brundage · 2026-11-12