不换 GRPO 只做改造：小米 MoE RL 稳定性改进全拆解
tokenbender · x · 2026-09-22
tokenbender 拆解小米 MoE 模型 RL 训练的关键思路：没有换用花哨算法，而是在 GRPO 基础上为稳定性和规模化做针对性修改：
- prompt-mean 替代 token-mean loss：避免长答案获得更多梯度权重（源自 DAPO）
- 正负优势分别设 clipping 上界（DAPO）
- 熵自适应 clipping（mai-thinking-1）
- 段级 credit shaping（疑似 TreeAdv）
所属事件:小米MoE强化学习稳定性论文：GRPO改造详解(2 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