全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

正则化分数居中

Asynchronous reinforcement learning increases training throughput, but data from stale policies and numerical mismatch between training and inference can destabilize learning. To stabilize off-policy learning, score centering (SC) removes the effect of reward baselines on the expected update. Our gradient diagnostics s

阅读原文 · Hao Bai, Chenlu Ye, Xuanchang Zhang, Aviral Kumar, Tong Zhang

乔木风格重写

向阳乔木 · opencode-go/deepseek-v4.1-flash

异步强化学习能提高训练吞吐,但训练和推理之间的数值不一致、以及数据来自过期策略,这两件事都可能让训练崩掉。这篇论文讨论的是怎么在离策略学习里稳住更新。 Regularized Score Centering 关注一个具体环节:score centering(SC)通过去掉奖励基线对期望更新的影响来稳定训练。作者做了梯度诊断,发现 SC 的梯度比重要性采样(I...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出

分享海报

正在生成海报…

主题

字体

开源字体第一次使用时联网下载,只取海报上用到的字。