Inilabas ng Tencent Hunyuan ang UniRL: pinag-isang multimodal reinforcement learning infrastructure
Orihinal na pamagat:🚀Introducing UniRL, an RL infra for unified multimodal models. Together with two new RL algorithms:...
AI summary
Inilabas ng Tencent Hunyuan ang UniRL, isang reinforcement learning infrastructure na sumusuporta sa pinag-isang multimodal model, at naglabas din ng dalawang bagong algorithm: DRPO at Flow-DPPO. Sa pamamagitan ng isang post-training loop (generate→score→advantage→update→sync), sinasaklaw ng UniRL ang diffusion/flow matching models, LLM/VLM at pinag-isang multimodal models (tulad ng Hunyuan-Image 3 at Bagel). Bilang magkahiwalay na axes ang modelo at algorithm, nakakamit nito ang kombinasyong saklaw ng modelo×algorithm. Sinusuportahan ng framework ang pluggable rollout engines (training side/SGLang/vLLM-Omni), FSDP2 sharding at tatlong deployment mode. Ipinakilala ng FlowDPPO ang trust region policy optimization batay sa exact divergence para sa flow/diffusion models; nagbibigay ang DRPO ng smooth advantage-weighted quadratic regularization method para sa LLM RL. Na-open source na ang code.
Mahahalagang impormasyon
- Inilabas ng Tencent Hunyuan ang UniRL,isang reinforcement learning infrastructure na sumusuporta…
- Sa pamamagitan ng isang post-training loop (generate→score→advantage→update→sync),sinasaklaw ng…
- Bilang magkahiwalay na axes ang modelo at algorithm,nakakamit nito ang kombinasyong saklaw ng…
- Sinusuportahan ng framework ang pluggable rollout engines (training side/SGLang/vLLM-Omni),FSDP2…
- Ipinakilala ng FlowDPPO ang trust region policy optimization batay sa exact divergence para sa…
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- X:腾讯混元 (@TencentHunyuan)
- Kategorya
- Mga Tutorial at Tip
- AI na marka
- 67
UniRL把扩散和LLM的强化学习塞进同一个训练循环,外加两个新算法,多模态对齐的研究者可以立刻fork代码试起来。
Kaugnay na Entity
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.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Inilabas ng Tencent Hunyuan ang UniRL: pinag-isang multimodal reinforcement learning infrastructure. 9 Hunyo 2026. https://new.nat6.net/fil/news/cmq6kwvh809eesl5irgb0uzf2/