Iba pa

Pag-unlock ng agent reinforcement learning training ng GPT-OSS: isang praktikal na review

Orihinal na pamagat:Unlocking Agentic RL Training for GPT-OSS: A Practical Retrospective

AI summary

Sinuri ng LinkedIn team ang pagiging posible ng paggamit ng GPT-OSS model bilang core ng agent applications para sa reinforcement learning. Natuklasan sa eksperimento na dahil sa mixture-of-experts architecture na ginagamit ng GPT-OSS, maaaring magkaroon ng routing differences sa dalawang forward pass, na nagdudulot ng paglihis ng importance sampling ratio, pagsabog ng KL divergence at hindi paglaki ng reward sa on-policy PPO training. Sa pamamagitan ng isang mahalagang fix — sapilitang pagtatakda ng old log probabilities sa bagong computed values sa ilalim ng on-policy conditions (at paghihiwalay ng gradients) — tiniyak ng team na ang importance sampling ratio ay 1, at naibalik ang integridad ng on-policy PPO training. Ang fix na ito ay angkop para sa GPT-OSS-20B at GPT-OSS-120B models.

Mahahalagang impormasyon

  • Sinuri ng LinkedIn team ang pagiging posible ng paggamit ng GPT-OSS model bilang core ng agent…
  • Natuklasan sa eksperimento na dahil sa mixture-of-experts architecture na ginagamit ng…
  • Sa pamamagitan ng isang mahalagang fix — sapilitang pagtatakda ng old log probabilities sa bagong…
  • Ang fix na ito ay angkop para sa GPT-OSS-20B at GPT-OSS-120B models.

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
Hugging Face 社区博客(混合发现)
Kategorya
Iba pa
AI na marka
83
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

为MoE模型RL训练提供实用调试方案,提升代理AI开发效率。

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Pag-unlock ng agent reinforcement learning training ng GPT-OSS: isang praktikal na review. 27 Enero 2026. https://new.nat6.net/fil/news/cmoegbhak009rslxxdj1fo3aa/

Tingnan lahat →