Mga Tutorial at Tip

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
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

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.

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: Inilabas ng Tencent Hunyuan ang UniRL: pinag-isang multimodal reinforcement learning infrastructure. 9 Hunyo 2026. https://new.nat6.net/fil/news/cmq6kwvh809eesl5irgb0uzf2/

Tingnan lahat →