MiniMax 论文里的 CISPO:为什么保住纠错 token 就能稳住 RL 训练
andrew_n_carr · x · 2026-10-15
Andrew Carr 在重读 MiniMax 论文后，制作了一份关于 CISPO（GRPO 变体）的图解讲解。他指出 CISPO 并不算特别新颖，但关键价值在于：它保留了那些标志模型即将开始自我纠正思维链（chain of thought）的稀有 token 的梯度信号，而标准的 token 级裁剪会把它们丢掉。适合想理解 RL 训练中 clipping 机制与 CoT 纠错关系的人阅读。
「研究」频道最新
- 单轨自行车机器人 UMV 登 Sci Robotics,会跳跃翻转特技 — joemeno · 2026-10-15
- 哈佛博士后五年磨一剑：BARRACUDA 让合成生物电路设计工程化 — NikoMcCarty · 2026-10-15
- LLM 智能体做材料科学:Samuel Alfred 在德州南方大学开讲 — Fowe · 2026-10-15
- 宾州州立与微软提出行为自奖励,SWE-bench Verified 提升至 34.7% — dair_ai · 2026-10-15
- vLLM 自适应验证免训练:Draft logits 自带置信信号,在线校准即可用 — vllm_project · 2026-10-15
- arXiv 论文:数千模型大规模测试,数百项人生结果大多不可预测 — RobbWiller · 2026-10-15