KPop: Symmetrische binäre KL-Divergenz gegen Trainings-Inferenz-Diskrepanz im RL großer Modelle
Originaltitel:解决大模型的"人格分裂":KPop 如何应对强化学习的训练推理不一致问题
KI-Zusammenfassung
Das Ant-Bailing-Team schlägt die KPop-Methode vor, um Trainingsabstürze durch abweichende Wahrscheinlichkeitsverteilungen von Trainings- und Inferenz-Engine im Reinforcement Learning großer Modelle zu beheben. KPop ersetzt die feste Verhältnisschwelle von IcePop durch eine symmetrische binäre KL-Divergenz und benötigt nur einen Hyperparameter; seltene Tokens werden adaptiv toleriert, häufige Tokens streng begrenzt. Auf Ring-flash-2.0 (100B Gesamtparameter) ermöglicht es über 800 stabile RL-Trainingsschritte und verbessert SWE-bench Verified von 70,8% auf 76,28%.
Kernpunkte
- Das Ant-Bailing-Team schlägt die KPop-Methode vor,um Trainingsabstürze durch abweichende…
- KPop ersetzt die feste Verhältnisschwelle von IcePop durch eine symmetrische binäre KL-Divergenz…
- seltene Tokens werden adaptiv toleriert,häufige Tokens streng begrenzt.
- Auf Ring-flash-2.
- 0 (100B Gesamtparameter) ermöglicht es über 800 stabile RL-Trainingsschritte und verbessert…
Auf einen Blick
- Veröffentlicht
- Aktualisiert
- Quelle
- 公众号:蚂蚁百灵(Ling)
- Kategorie
- Papers & Forschung
- KI-Bewertung
- 68
解释固定屏蔽比为何误杀稀有token,并给出用对称二元KL散度自适应调整的方法,有助于理解RL训练不稳定并指导稳定训练实践。
Quelle & Urheberrecht
Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.
Zitierhinweis
Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.
Orange News: KPop: Symmetrische binäre KL-Divergenz gegen Trainings-Inferenz-Diskrepanz im RL großer Modelle. 2. Juni 2026. https://new.nat6.net/de/news/cmsdu2qga010irofz1h15420q/