算法论文8

小偏差为何带偏大模型RL训练

深度学习自然语言处理2026-09-24

AI 摘要

Together AI团队发现，大模型RL中采样与训练端的微小偏差会产生策略漂移，循环累积带偏训练；提出Score Centering校正漂移，提升失配场景训练稳定性，但仍有应用边界。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

阿里浙大推出AI自主迭代模型Astar

阿里与浙大推出指导 AI 系统自主进化的模型 Astar，通过学习历史提交记录探索改进方向，落地 Lazada 推荐业务使线上 GMV 提升 4.86%。

港科大与微软等开源长程交互 SQL 智能体框架 HarnessSQL，8B 模型在 Spider 2.0 上取得 45.2% 执行准确率，超越多个 32B 专用模型。

启元具身研究中心发布机器人仿真世界模型 PrimeSim，通过视频生成模型推演机械臂操作并在两大基准登顶，模型权重与代码即将开源。

机器人研发公司逐际动力更新开源具身智能工程底座 FluxVLA Engine V2 报告，新增在线强化学习后训练，模型推理频率最高提升至 9.64 倍。