RL 训练大量算力花在 grader 上，跑 30 步值得重新 prefill 吗
stochasticchasm · x · 2026-09-22
作者观察一次 RL 训练 run 的成本构成后指出，相对而言 grader（评判模型）消耗了大量算力，并好奇对方用的是哪个模型做 grader。他在回复中进一步分析：整个 run 只有 30 步，policy 在每步之间变化很大，因此或许值得对 grader 做重新 prefill（re-prefilling）以适配策略更新。属于对 RLHF/RLVR 训练工程中评估侧成本的碎片式技术讨论。
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