Prime Intellect 发布异步 RL 优化方法 IPO，改进 IcePop 的尾部误判
xeophon · x · 2026-10-20
Prime Intellect 提出 INTELLECT Policy Optimization（IPO）：在异步强化学习中，trainer 与推理引擎对同一 token 的概率从不完全一致，IcePop 基于 ratio 做 mask 会误判两个尾部；IPO 改为基于概率差做 mask。作者 xeophon 玩梗称这是「第一个 IPO（上市）的 neolab」。
所属事件:Prime Intellect 发布 IPO：修复异步 RL 尾部误判(2 条相关)→
「研究」频道最新
- 端到端稀疏字典学习:让 SAE 只学对网络真正重要的特征 — burny_tech · 2026-10-20
- 谄媚基准测试:GPT-4o 无理反驳下94.6%改口，Opus 5.5 仅32.2% — i_dg23 · 2026-10-20
- 纽约科学家造出超导神经芯片，每秒可处理百万核聚变等离子体样本 — Dr_Singularity · 2026-10-20
- NVIDIA 发布 VeriFine:策略与裁判共同进化的具身推理自我改进框架 — drmapavone · 2026-10-20
- AlphaGenome/CADD 预测致病变异,体内实验却显示零剪接效应 — danielmckinn0n · 2026-10-20
- 研究：六大 LLM 医疗建议过度检查率仅 5.4%，集中于心电图与甲状腺超声 — EricTopol · 2026-10-20